Python для начинающих

# Работа с многомерными массивами с помощью NumPy

Если вы только начинаете погружаться в мир Python, то наверняка уже слышали слово "NumPy". Этот модуль — настоящая жемчужина для любой работы с числами и массивами. Обычные Python-списки, конечно, мощны, но если дело касается больших объемов данных, сложных математических операций и многомерных структур, тут они уже пасуют. NumPy – это решение, которое делает такие задачи быстрыми, удобными и не заставляет пыхтеть от излишне громоздкого кода.

Сегодня разберём одну из самых интересных и полезных возможностей NumPy — работу с многомерными массивами.

---

## Что такое многомерный массив?

Многомерный массив — это как электронная таблица, только представьте себе, что её можно растянуть не только в двумерном пространстве (строки и столбцы), но и добавлять сколько угодно измерений. Двумерные массивы (матрицы) мы видим повсюду: это табличные данные, изображения (где каждый пиксель — число), а в трёх измерениях это уже объёмные данные вроде 3D-графики или цветных изображений (RGB). NumPy позволяет с такими массивами работать быстро и без головной боли.

---

## Создаем многомерный массив

Чтобы начать работать с NumPy, убедитесь, что он установлен:

pip install numpy

Теперь создадим первый многомерный массив. Для этого используется функция numpy.array:

import numpy as np

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

Здесь мы создали двумерный массив (3x3). Всё просто! NumPy позволяет легко проверять размер массива с помощью свойства .shape:

print(data.shape)  # (3, 3) — это три строки и три столбца

---

## Операции с многомерными массивами

Суть NumPy в том, что все операции происходят одновременно для всего массива. Это называется векторизация. Например, если вы захотите умножить все элементы массива на 2, вы не будете писать цикл for:

result = data * 2
print(result)

Результат будет таким же массивом, но с удвоенными значениями.

---

## Индексация и срезы

Работа с многомерными массивами организована так же, как и со списками, но с дополнительными уровнями. Допустим, вы хотите получить элемент на пересечении второй строки и третьего столбца:

print(data[1, 2])  # Индексация с нуля: результат 6

Или хотите выбрать целую строку (например, первую строку):

print(data[0, :])  # Результат: [1, 2, 3]

Попробуем вырезать подмассив, содержащий центральный блок:

subarray = data[1:3, 1:3]
print(subarray)  # [[5, 6], [8, 9]]

Много удобства, согласитесь?

---

## Трансформации массивов

Иногда необходимо изменить форму массива — например, из двумерного сделать одномерный. Тут приходит на помощь метод .reshape:

flat_array = data.reshape(-1)  # "Разворачиваем" массив в одномерный
print(flat_array)  # [1, 2, 3, 4, 5, 6, 7, 8, 9]

Можно даже преобразовать его обратно в другой многомерный формат:

reshaped = flat_array.reshape(1, 9)  # Или, например, (9, 1)
print(reshaped)

---

## Мощь в сложных вычислениях

NumPy содержит огромное количество встроенных функций для математических операций, которые работают значительно быстрее, чем написанные вручную циклы. Хотите, например, найти сумму всех элементов массива?

print(data.sum())  # Сумма: 45

Или среднее значение всех элементов:

print(data.mean())  # Среднее: 5.0

Если нужно выполнить операцию по конкретному измерению, например, суммировать значения по строкам:

print(data.sum(axis=1))  # Сумма по каждой строке: [6, 15, 24]

---

## Генерация массивов

Часто при работе с данными нужно создать массивы с конкретными шаблонами.

🤩1

199 views00:04