Работа с данными NumPy Python

Введение

NumPy — ключевая библиотека Python для научных вычислений и работы с массивами. Она обеспечивает эффективное хранение и обработку больших наборов данных, поддерживает векторные операции, линейную алгебру и статистику.

В этой статье мы разберемся, как создавать и управлять массивами NumPy, работать с их элементами, выполнять математические и логические операции, использовать функции для анализа данных.

Если вы хотите детальнее изучить работу с массивами, матрицами и векторными операциями в Python — приходите на наш курс Основы Python. На курсе 209 уроков и 34 упражнения, AI-тренажеры для практики с кодом и задачами 24/7, решение задач с живым ревью наставника, еженедельные встречи с менторами.

Создание массивов NumPy

import numpy as np

# Одномерный массив
arr_1d = np.array([1, 2, 3, 4, 5])

# Двумерный массив
arr_2d = np.array([[1, 2, 3], [4, 5, 6]])

# Массив нулей и единиц
zeros = np.zeros((3, 3))
ones = np.ones((2, 4))

# Массив с равномерными значениями
range_arr = np.arange(0, 10, 2)  # 0, 2, 4, 6, 8

# Массив с равномерным распределением
linspace_arr = np.linspace(0, 1, 5)  # 0, 0.25, 0.5, 0.75, 1

Индексация и срезы

NumPy позволяет легко получать доступ к элементам и подмассивам:

# Доступ к элементам
print(arr_1d[0])       # 1
print(arr_2d[1, 2])    # 6

# Срезы
print(arr_1d[1:4])     # [2 3 4]
print(arr_2d[:, 1])    # второй столбец [2 5]

# Булева индексация
mask = arr_1d > 3
print(arr_1d[mask])    # [4 5]

Основные операции

NumPy поддерживает операции над массивами без циклов:

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# Арифметика
print(a + b)  # [5 7 9]
print(a * b)  # [4 10 18]
print(a ** 2) # [1 4 9]

# Статистика
print(a.mean())  # 2.0
print(b.sum())   # 15
print(b.max())   # 6

Работа с многомерными массивами

matrix = np.array([[1, 2], [3, 4], [5, 6]])

# Транспонирование
print(matrix.T)

# Сумма по оси
print(matrix.sum(axis=0))  # по столбцам [9 12]
print(matrix.sum(axis=1))  # по строкам [3 7 11]

Импорт данных и взаимодействие с Pandas

NumPy удобно использовать вместе с Pandas для анализа таблиц:

import pandas as pd

df = pd.DataFrame(matrix, columns=["A", "B"])
numpy_arr = df.to_numpy()  # Преобразуем DataFrame в массив NumPy

Частые ошибки

• Попытка смешивать Python-списки и NumPy массивы без преобразования → неожиданные результаты.
• Неправильная размерность при операциях с многомерными массивами → ValueError.
• Булева индексация с неправильной формой маски → IndexError.

Часто задаваемые вопросы

1. Можно ли изменить размер массива?

arr = np.arange(6)
arr = arr.reshape((2, 3))

2. Как объединять массивы?

np.concatenate([a, b])
np.vstack([a, b])
np.hstack([a, b])

3. Как случайным образом инициализировать массив?

rand_arr = np.random.rand(3, 3)  # равномерное распределение [0,1)

4. Можно ли копировать массив без ссылок на оригинал?

arr_copy = arr.copy()

Заключение

NumPy предоставляет эффективные инструменты для работы с данными, включая создание массивов, доступ к элементам, выполнение операций и работу с многомерными структурами. Его интеграция с Pandas и другими библиотеками делает Python удобным языком для анализа и обработки данных.

Для системного изучения работы с массивами и данными Python рекомендую пройти курс Основы Python. В первых 3 модулях уже доступно бесплатное содержание — начните погружаться в мир Python прямо сегодня.