NumPy: copy

numpy.copy() в библиотеке NumPy используется для создания копии массива или подмассива. Когда ты присваиваешь один массив другому, оба массива начинают указывать на одни и те же данные. Используя numpy.copy(), ты создаешь новый массив, который содержит копию данных из оригинального массива. Это позволяет изменять его без изменения оригинала.

#практика #numpy

NumPy: shape

Функция shape используется для получения размерности массива. Она возвращает кортеж, показывающий количество элементов в каждом измерении массива. Например, если у тебя есть массив arr размером (3, 4), то arr.shape вернет (3, 4), указывая на то, что у массива три строки и четыре столбца.

#практика #numpy

NumPy: reshape

reshape() — это функция библиотеки NumPy, которая используется для изменения формы массива без изменения его данных. Она позволяет переформатировать массив в новую форму, указанную в аргументе функции. Например, если у тебя есть одномерный массив из 12 элементов, ты можешь использовать reshape() для преобразования его в двумерный массив размером 3x4 или 4x3.

#практика #numpy

NumPy: stack

numpy.stack() — это функция в библиотеке NumPy, которая объединяет несколько массивов в один. Например, если у тебя есть несколько одномерных массивов, ты можешь использовать numpy.stack() для объединения их в один многомерный массив.

#практика #numpy

NumPy: where

Ты можешь выполнить поиск определенного значения в массиве и вернуть индексы, которые найдут совпадение. Для поиска в массиве используй метод where().

#практика #numpy

NumPy: nditer

numpy.nditer — это функция, которая позволяет эффективно выполнить итерацию по элементам массива NumPy. Она предоставляет удобный способ обхода элементов массива, особенно если тебе нужно работать с несколькими массивами одновременно или выполнить операции на низком уровне.

#практика #numpy

NumPy: array_split

Ты можешь использовать array split() для разделения массивов, передав ему массив, который хочешь разделить, и количество разделений. Если в массиве меньше элементов, чем требуется, он соответствующим образом корректируется с конца.

#практика #numpy

NumPy: Линейная алгебра

В данной статье автор рассказывает, как с помощью библиотеки NumPy можно решать задачи линейной алгебры. Рассматривается перемножение векторов и матриц, индексирование и транспонирование и многое другое.

👉Читать статью

#статьи #numpy

NumPy: Математические операции

NumPy позволяет проводить математические операции, не используя циклы. Ты можешь складывать, вычитать, умножать и делить массивы. Также можешь возводить в степень. Кроме этого, NumPy предоставляет богатый набор встроенных функций. Некоторые примеры показаны на скриншоте.

#практика #numpy

NumPy: Индексация и срезы

Индексация — одна из самых мощных функций NumPy. Ты можешь работать с любым элементом массива или с целыми его частями. В данном примере мы получаем доступ к конкретному элементу, а также к конкретному столбцу. Также мы обнуляем нижний правый угол массива. Срезы позволяют выделить части массива, не копируя его.

#практика #numpy

Корреляция

Корреляция — это статистическая мера, показывающая взаимосвязь между двумя переменными. Она измеряется коэффициентом корреляции, который может принимать значения от -1 до 1.

Значение 1 говорит о положительной линейной зависимости (чем больше X, тем больше Y). Значение -1 говорит об отрицательной линейной зависимости (чем больше X, тем меньше Y). Значение 0 означает отсутствие линейной зависимости.

#практика #numpy

Распределение данных

Распределение данных описывает, как значения в наборе данных распределены. Одним из наиболее распространённых распределений является нормальное распределение, которое имеет форму колокола и характеризуется симметрией относительно среднего значения. В данном примере мы получаем гистограмму, показывающую нормальное распределение данных.

#практика #numpy

Ковариация и матрица ковариации

Ковариация показывает, как два признака изменяются вместе. Положительная ковариация - это когда переменные растут одновременно. Отрицательная ковариация - когда одна переменная растёт, другая уменьшается. Если ковариация ≈ 0, то признаки независимы.

Если у нас есть несколько переменных, их взаимосвязи можно описать с помощью матрицы ковариации. Это квадратная матрица, где каждая ячейка (i, j) показывает ковариацию между Xi и Xj.

#практика #numpy

Bootstrap и выборки

Bootstrap — это статистический метод, который позволяет оценить свойства распределения данных (например, среднее, дисперсию, доверительные интервалы) с использованием повторяющихся случайных выборок с возвращением.

Сначала мы берем случайные выборки из данных с возвращением (можно несколько раз выбирать одно и то же значение). Для каждой выборки вычисляем нужную метрику (например, среднее). В результате получаем распределение метрики и можем оценить её точность.

Bootstrap полезен, так как он избавляет от необходимости делать сложные математические выводы. Он удобен для оценки доверительных интервалов или проверки гипотез.

#практика #numpy

РСА (Метод главных компонент)

PCA (Principal Component Analysis) используется для уменьшения размерности данных без потери ключевой информации. Это полезно для визуализации многомерных данных или ускорения работы моделей. PCA полезен, если признаки сильно коррелируют. Он сохраняет максимум дисперсии данных.

#практика #numpy

Как ускорить код с NumPy?

Циклы в Python работают медленно, особенно при обработке больших массивов. NumPy позволяет выполнять арифметические операции и функции сразу над целым массивом.

Обрати внимание на пример. Без использования библиотеку циклу нужно 0.3 секунды для выполнения, а с помощью векторизации мы выполнили операцию за 0.005 секунд! Все дело в том, что NumPy выполняет вычисления на уровне C через оптимизированные библиотеки (например, BLAS или LAPACK).

#практика #numpy