np.arue: cara menggunakan numpy araange () dalam python – Codewithaden

Membuat array tidak penting saat Anda bekerja dengan perpustakaan python lainnya yang mengandalkannya, seperti scipy, Panda , scikit-learn , Matplotlib , dan banyak lagi. Numpy adalah perpustakaan yang sempurna untuk membuat dan bekerja dengan array karena memungkinkan peningkatan kinerja, memungkinkan Anda untuk menulis kode ringkas, dan menawarkan rutinitas yang berharga.

NP.Arange

Itu NP.Arange adalah Metode Numpy yang mengembalikan ndarray objek yang mengandung nilai -nilai berjarak merata dalam kisaran yang diberikan. Itu numpy araange () Fungsi Membutuhkan Empat Parameter: Mulai , berhenti, langkah, dan dtype dan Mengembalikan nilai -nilai berjarak merata dalam interval yang diberikan.

Metode ARANGE () adalah salah satu fungsi pembuatan array berdasarkan rentang numerik. Ini menciptakan instance ndarray dengan nilai -nilai spasi yang merata dan mengembalikan referensi ke sana.

Numpy memiliki susunan paling penting yang disebut Ndarray. Numpy menawarkan banyak rutinitas pembuatan array untuk keadaan yang berbeda. Arange () adalah salah satu fungsi tersebut berdasarkan rentang numerik. Nya sering disebut sebagai np.arue () karena np adalah singkatan yang banyak digunakan untuk numpy.

Metode ini setara dengan inbuilt Python jangkauan fungsi untuk argumen integer tetapi mengembalikan ndarray daripada a daftar

Sintaksis

Sintaks numpy.arue () Fungsi adalah sebagai berikut.

numpy.arange(start, stop, step, dtype) 

Parameter

Parameter adalah sebagai berikut.

kue tar nomor, opsional. Mulai interval. Interval mencakup nilai ini. Nilai awal default adalah 0.

berhenti nomor. Akhir interval. Interval tidak mengandung nilai berhenti, kecuali saat a melangkah bukan bilangan bulat dan titik mengambang Bundaran memengaruhi panjangnya.

melangkah nomor, opsional. Langkah tidak bisa nol. Jika tidak, Anda akan mendapatkan ZerodivisionError . Anda tidak dapat menjauh dari awal kenaikan atau penurunan adalah 0.

dtype Itu jenis array output. Jika dtype tidak diberikan, menyimpulkan tipe data dari argumen input lainnya. Jika DType dihilangkan, ARANGE () akan mencoba menyimpulkan elemen array dari awal, berhenti, dan jenis langkah.

Nilai pengembalian

Itu mengembalikan array. Anda dapat menemukan detail lebih lanjut tentang parameter dan nilai pengembalian fungsi arange () di dokumentasi resmi.

Metode Menerapkan NP.Arange ()

Mari kita lihat contoh fungsi numpy arange di Jupyter Notebook

Saat bekerja dengan rutinitas Numpy, Anda harus mengimpor Numpy terlebih dahulu.

Tulis kode berikut di dalam sel pertama.

import numpy as np 

Sekarang, Anda memiliki numpy yang diimpor, dan Anda siap untuk melamar ARANGE ()

Jalankan sel itu menggunakan Ctrl + Enter dan tulis kode berikut di sel berikutnya.

npdata = np.arange(3)
npdata 

Lihat output di bawah ini.

NumPy

Ini telah menciptakan array numpy dari 0 hingga 2 elemen dengan panjang 3.

Mari kita lihat contoh lain. Tulis kode python berikut di dalam sel.

npdata = np.arange(40)
npdata.shape = (5, 8)
npdata 

Dalam kode di atas, kami telah mendefinisikan array dengan item 40, dan kemudian kami memiliki array numpy membentuk Atribut untuk membentuk array itu menjadi 5 baris dan 8 kolom. Lihat outputnya.

Python

Parameter Mulai dan Hentikan yang diatur di Numpy Arange

Mari kita tentukan parameter Mulai dan Hentikan dalam fungsi Numpy Arange. Lihat outputnya.

npdata = np.arange(1,21,3)
npdata 

Dalam kode di atas, kami telah melewati parameter pertama sebagai titik awal, lalu pergi ke 21 dan dengan langkah 3. Lihat output di bawah ini.

Start

Sampel kode di atas mengembalikan array dengan array mulai dari 1 dan hingga 21 dengan langkah 3. Jadi 1, (1 +3 = 4), (4 + 3 = 7), … hingga 21 sebagai titik akhir.

Sekarang, mari kita lihat contoh lain.

#app.py

import numpy as np

print(np.arange(1, 21.1, 3))
 

Lihat outputnya.

➜  pyt python3 app.py
[ 1.  4.  7. 10. 13. 16. 19.]
➜  pyt
 

Dalam hal ini, Anda mendapatkan array dengan tujuh elemen.

Contoh ini menciptakan array bilangan titik mengambang, tidak seperti yang sebelumnya. Itu karena Anda belum mendefinisikan dType dan aranange () menyimpulkannya untuk Anda.

Memberikan semua argumen rentang posisi

Dalam fungsi NP Arange, kami dapat memberikan ketiga argumen dan mencari output yang diinginkan.

import numpy as np

data = np.arange(start=2, stop=12, step=3)
print(data) 

Keluaran

[2  5  8 11] 

Dalam contoh ini, awalnya adalah 2. Oleh karena itu, item pertama dari array yang diperoleh adalah 2. Kemudian, langkahnya adalah 3, itulah sebabnya nilai kedua Anda adalah 2+3, yaitu 5, sedangkan nilai ketiga dalam array adalah 5 + 3, yang sama dengan 8, dan nilai akhir 8 + 3 = 11.

Sekarang, Anda bisa lulus Mulailah , berhenti , dan melangkah sebagai argumen posisi.

import numpy as np

data = np.arange(2, 12, 3)
print(data) 

Keluaran

[ 2  5  8 11] 

Sampel kode di atas setara tetapi lebih ringkas dari yang sebelumnya.

Memberikan argumen float

Jika kami memberikan argumen float, nilai array output akan mengapung. Di sisi lain, melewati langkah -langkah di float akan menghitung tetapi mengembalikan nilai float array.

import numpy as np

data = np.arange(2, 11.1, 3)
print(data)
 

Keluaran

[ 2.  5.  8. 11.] 

Dalam hal ini, Anda mendapatkan array dengan empat elemen, termasuk 11.

Contoh ini menciptakan array bilangan titik mengambang, tidak seperti yang sebelumnya. Itu karena Anda belum mendefinisikan dType dan aranange () menyimpulkannya untuk Anda.

Memberikan dua argumen jangkauan

Anda dapat menghilangkan parameter langkah. Misalnya, dalam kasus berikut, AREGE () menggunakan nilai defaultnya 1. Dengan demikian, dua pernyataan berikutnya setara.

import numpy as np

data = np.arange(2, 5)
print(data)
 

Keluaran

[2 3 4] 

Menggunakan metode NP.Arange () dengan Increment 1 adalah kasus yang tersebar luas dalam praktiknya. Tapi, sekali lagi, Anda dapat menulis contoh sebelumnya lebih tepat dengan argumen posisi mulai dan berhenti.

Memberikan argumen satu rentang

Fungsi numpy araange () setidaknya membutuhkan satu argumen untuk bekerja dengan benar. Jadi, lebih ringkas, Anda harus memberikan awal. Tapi apa yang terjadi jika Anda menghilangkan untuk berhenti? Bagaimana NP.Arange () tahu kapan harus berhenti menghitung?

Dalam hal ini, sebuah array dimulai pada 0 dan berakhir sebelum nilai awal tercapai! Sekali lagi, nilai default dari langkah ini adalah 1. Dengan kata lain, ARange () mengasumsikan bahwa Anda telah memberikan berhenti (bukan mulai) dan bahwa awal adalah 0, dan langkah adalah 1.

import numpy as np

data = np.arange(5)
print(data)
 

Keluaran

[0 1 2 3 4] 

Ini adalah cara yang paling pythonic Buat array numpy Itu dimulai pada 0 dan peningkatan 1. Argumen tunggal menunjukkan di mana penghitungan berhenti. Array output akhir dimulai pada 0 dan memiliki peningkatan 1.

TypeError in aranange ()

Jika Anda mencoba untuk berhenti tanpa mulai secara eksplisit, maka Anda akan mendapatkan TypeError

import numpy as np

data = np.arange(stop = 5)
print(data)
 

Keluaran

Traceback (most recent call last):
  File "app.py", line 3, in 
    data = np.arange(stop = 5)
TypeError: arange() missing required argument 'start' (pos 1) 

Anda mendapatkan TypeError karena ARANGE () tidak memungkinkan Anda untuk menghindari argumen pertama yang sesuai untuk memulai secara eksplisit. Jika Anda memberikan argumen tunggal, itu harus dimulai, tetapi ARANGE () akan menggunakannya untuk menentukan di mana penghitungan berhenti. Jadi jika Anda secara eksplisit memberikan berhenti tanpa mulai, Anda akan mendapatkan kesalahan ini mengatakan TypeError: aranange () hilang argumen yang diperlukan ‘mulai’ (pos 1)

Melewati argumen negatif

Jika Anda memberikan nilai negatif untuk Mulailah atau keduanya Mulailah dan berhenti , dan memiliki yang positif melangkah , maka Arange () akan bekerja dengan cara yang sama seperti dengan semua argumen positif:

# app.py

import numpy as np

print(np.arange(-8, -2, 2))
 

Lihat outputnya.

➜  pyt python3 app.py
[-8 -6 -4]
➜  pyt
 

Penghitungan dimulai dengan nilai awal, berulang kali bertambah melangkah dan berakhir sebelum a berhenti tercapai.

Terkadang Anda ingin array dengan nilai menurun dari kiri ke kanan. Dalam kasus seperti itu, Anda dapat menggunakan ARANGE () dengan nilai negatif untuk langkah dan start lebih besar dari berhenti.

Menghitung mundur

Terkadang Anda ingin array dengan nilai menurun dari kiri ke kanan. Dalam kasus seperti itu, Anda dapat menggunakan ARANGE () dengan nilai negatif untuk langkah dan start lebih besar dari berhenti.

import numpy as np

data = np.arange(4, 1, -2)
print(data)
 

Keluaran

[4 2] 

Dalam kode di atas, Mulailah adalah 4, dan array yang dihasilkan dimulai dengan nilai ini. Langkahnya adalah -2, jadi nilai kedua adalah 4+( -2), 2. Sekarang, penghitungan berhenti di sini sejak berhenti (0) dicapai sebelum nilai berikutnya (-2). Jadi, kami mendapatkan [4, 2] dalam output.

Dalam skenario ini, awal lebih besar dari berhenti, dan negatif, dan Anda menghitung mundur.

Bekerja dengan array kosong

Ada beberapa casing tepi di mana Anda dapat memperoleh array numpy kosong dengan ARANGE (). Ini adalah contoh reguler Numpy – Ndarray tanpa elemen apa pun.

Jika Anda memberikan nilai yang sama untuk memulai dan berhenti, Anda akan mendapatkan array kosong.

#app.py

import numpy as np

print(np.arange(11, 11))
 

Lihat outputnya.

➜  pyt python3 app.py
[]
➜  pyt
 

Fungsi Numpy Arange Reshape ()

numpy.reshape (array, bentuk, pesanan = ‘c’)

Ini membentuk array tanpa mengubah data array.

#app.py

import numpy as np 
  
arr = np.arange(8) 
print("Original Array : \n", arr) 
  
# shape arr with 2 rows and 4 columns 
arr = np.arange(8).reshape(2, 4) 
print("\nArray reshaped with 2 rows and 4 columns : \n", arr) 
  
# shape arr with 2 rows and 4 columns 
arr = np.arange(8).reshape(4 ,2) 
print("\nArray reshaped with 2 rows and 4 columns : \n", arr) 
  
# Constructs 3D arr 
arr = np.arange(8).reshape(2, 2, 2) 
print("\nOriginal Array reshaped to 3D : \n", arr)
 

Lihat outputnya.

➜  pyt python3 app.py
Original Array :
 [0 1 2 3 4 5 6 7]

Array reshaped with 2 rows and 4 columns :
 [[0 1 2 3]
 [4 5 6 7]]

Array reshaped with 2 rows and 4 columns :
 [[0 1]
 [2 3]
 [4 5]
 [6 7]]

Original Array reshaped to 3D :
 [[[0 1]
  [2 3]]

 [[4 5]
  [6 7]]]
➜  pyt
 

Tipe data yang tidak bagus

  1. Semua item dalam array numpy adalah jenis yang sama, disebut dtype ( tipe data ).
  2. DTypes Numpy memungkinkan untuk lebih triturate daripada tipe numerik inbuilt Python.
  3. Beberapa rutinitas tidak dapat menerima tipe numerik Python dan sebaliknya.
  4. Beberapa dtypes numpy memiliki definisi yang bergantung pada platform.
  5. Dalam beberapa kasus, dtypes numpy memiliki alias yang bertepatan dengan nama -nama jenis inbuilt Python.

Lihat kode berikut.

import numpy as np

data = np.arange(4, 1, -2)
print(data.dtype)
 

Keluaran

int64 

Fungsi ARange () akan mencoba menyimpulkan DTYPE dari array yang dihasilkan. Itu tergantung pada jenisnya Mulailah , berhenti , dan melangkah

Di sini, array yang dibuat oleh fungsi np araange () adalah [4, 2]. Itulah sebabnya DTYPE dari data array akan menjadi salah satu jenis integer yang dilayani oleh Numpy.

Dalam hal ini, Numpy memilih int64 dType secara default. Ini adalah tipe integer 64-bit (8-bytes).

Parameter dtype = int tidak merujuk ke Python int . Itu diterjemahkan menjadi numpy int64 atau hanya np.int. Jadi, dalam output, kami mendapat INT64, yang tidak sama dengan Python Int. Ini adalah tipe integer 64-bit.

Tentukan tipe data saat membuat array

Kami dapat mendefinisikan tipe data yang melewati parameter dType sebagai int, float, atau apa pun yang diizinkan tipe data saat membuat array baru menggunakan fungsi arange (). Misalnya, jika kita melewati tipe data float, nilai output akan menjadi float.

import numpy as np

data = np.arange(5, dtype=float)
print(data)
print(data.dtype)
 

Keluaran

[0. 1. 2. 3. 4.]
float64 

Output menunjukkan bahwa fungsi ARange () telah menghasilkan nilai float-rointed alih-alih bilangan bulat biasa.

Argumen dtype = float tidak merujuk ke Float Python . Sebaliknya, itu diterjemahkan menjadi Numpy Float64 atau hanya NP.Float. Jadi, dalam output, kami mendapat float64, yang tidak sama dengan python float. Sebaliknya, ini adalah jenis float 64-bit.

Numpy memberi kita beberapa dtype berukuran tetap integer yang berbeda dalam memori dan batasan:

  1. np.int8 : Ini adalah integer yang ditandatangani 8 -bit (dari -128 hingga 127)
  2. np.uint8 : Ini adalah integer unsigned 8-bit (dari 0 hingga 255)
  3. np.int16 : Ini adalah integer yang ditandatangani 16 -bit (dari -32768 hingga 32767)
  4. np.uint16 : Ini adalah integer unsigned 16-bit (dari 0 hingga 65535)
  5. np.int32 : Ini adalah integer yang ditandatangani 32-bit (dari -2 ** 31 hingga 2 ** 31-1)
  6. np.uint32 : Ini adalah integer unsigned 32-bit (dari 0 hingga 2 ** 32-1)
  7. np.int64 : Ini adalah integer yang ditandatangani 64-bit (dari -2 ** 63 hingga 2 ** 63-1)
  8. np.uint64 : Ini adalah integer tanpa tanda 64-bit (dari 0 hingga 2 ** 64-1)

Jika Anda memerlukan jenis integer lain untuk item array Anda, maka Anda perlu menentukan DTYPE.

import numpy as np

data = np.arange(5, dtype=np.float32)
print('The data:', data)
print('The data type: ', data.dtype)
print('The size in bytes: ', data.itemsize)
 

Keluaran

The data: [0. 1. 2. 3. 4.]
The data type:  float32
The size in bytes:  4 

Numpy Arange vs. Python Range

Perbedaan utama antara np.arue vs range () Fungsi adalah bahwa NP.Arange () harus menjadi solusi yang lebih cepat untuk array besar. Itu jangkauan() memberi Anda daftar reguler (Python 2) atau spesialisasi “Range Object” (Seperti generator; Python 3), NP.Arange memberi Anda array yang tidak bagus. Jika Anda cukup peduli dengan kecepatan untuk menggunakan numpy, gunakan array numpy.

Array Numpy lebih kompak daripada Daftar Python : Daftar daftar seperti yang Anda jelaskan dalam Python akan memakan waktu setidaknya sekitar 20 MB, sedangkan array 3D yang numpy dengan float presisi tunggal dalam sel akan pas dalam 4 MB. Akses ke item membaca dan menulis juga lebih cepat dengan Numpy.

Numpy tidak hanya lebih efisien; itu juga lebih nyaman. Anda mendapatkan banyak operasi vektor dan matriks secara gratis, yang terkadang menghindari pekerjaan yang tidak perlu. Dan mereka juga diimplementasikan secara efisien.

Itu untuk tutorial ini.

Lihat juga

Cara membuat array yang tidak

DataFrame Python Pandas

PANDAS DataFrame read_csv ()

Seri Python Pandas

Properti Python ()

Artikel ini berasal dari website Winpoin, dan kemudian diterjemahkan ke bahasa indonesia, baca artikel asli disini

Leave a Reply

Your email address will not be published. Required fields are marked *