Einführung in Arrays

Einführung in NumPy

Izzy Weber

Core Curriculum Manager, DataCamp

NumPy und das Python-Ökosystem

Eine Grafik von Atlas, der den Globus hält, gestaltet wie NumPy, weil NumPy die Python-Welt hält

Grafiken von 1D-, 2D- und 3D-Arrays

import numpy as np

python_list = [3, 2, 5, 8, 4, 9, 7, 6, 1]
array = np.array(python_list)
array

array([3, 2, 5, 8, 4, 9, 7, 6, 1])

type(array)

numpy.ndarray

python_list_of_lists = [[3, 2, 5],
                        [9, 7, 1],
                        [4, 3, 6]]
np.array(python_list_of_lists)

array([[3, 2, 5],
       [9, 7, 1],
       [4, 3, 6]])

Python-Liste

python_list = ["beep", False, 56, .945, [3, 2, 5]]

NumPy-Array

numpy_boolean_array = [[True, False], [True, True], [False, True]]

numpy_float_array = [1.9, 5.4, 8.8, 3.6, 3.2]

Es gibt viele NumPy-Funktionen, mit denen man Arrays von Grund auf neu erstellen kann, darunter:

np.zeros((5, 3))

array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])

np.random.random((2, 4))

array([[0.88524516, 0.85641352, 0.33463107, 0.53337117],
       [0.69933362, 0.09295327, 0.93616428, 0.03601592]])

np.random ist ein NumPy-Modul, während np.random.random() eine Funktion innerhalb von np.random ist.

np.arange(-3, 4)

array([-3, -2, -1,  0,  1,  2,  3])

np.arange(4)

array([0, 1, 2, 3])

np.arange(-3, 4, 3)

array([-3,  0,  3])

from matplotlib import pyplot as plt
plt.scatter(np.arange(0, 7),
            np.arange(-3, 4))
plt.show()

Ein Diagramm mit zwei Bereichsarrays auf der X- und Y-Achse

Einführung in NumPy