Tìm hiểu thư viện Numpy trong Python

Numpy (Numeric Python): là một thư viện toán học phổ biến và mạnh mẽ của Python. Cho phép làm việc hiệu quả với ma trận và mảng, đặc biệt là dữ liệu ma trận và mảng lớn với tốc độ xử lý nhanh hơn nhiều lần khi chỉ sử dụng “core Python” đơn thuần.

Hãy cùng tìm hiểu về thư viện này trong bài viết dưới đây:

Cài đặt thư viện Numpy

 - Mở Command Prompt và gõ lệnh: 

pip install numpy

Các thao tác với Numpy

1. Khai báo thư viện

import numpy as np

2. Khởi tạo mảng

a) Khởi tạo mảng một chiều

#Khởi tạo mảng một chiều với kiểu dữ liệu các phần tử là Integer

arr = np.array([1,3,4,5,6], dtype = int)



#Khởi tạo mảng một chiều với kiểu dữ liệu mặc định

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



print(arr)

OUTPUT:

[1 3 4 5 6]

b) Khởi tạo mảng hai chiều

arr1 = np.array([(4,5,6), (1,2,3)], dtype = int)



print(arr1)

OUTPUT:

[[4 5 6]

 [1 2 3]]

c) Khởi tạo mảng ba chiều

arr2 = np.array(([(2,4,0,6), (4,7,5,6)],

                 [(0,3,2,1), (9,4,5,6)],

                 [(5,8,6,4), (1,4,6,8)]), dtype = int)



print(arr2)

OUTPUT:

[[[2 4 0 6]

  [4 7 5 6]]

 [[0 3 2 1]

  [9 4 5 6]]

 [[5 8 6 4]

  [1 4 6 8]]]

d) Khởi tạo với các hàm có sẵn

• np.zeros((3,4), dtype = int): Tạo mảng hai chiều các phần tử 0 với kích thước 3x4.
• np.ones((2,3,4), dtype = int): Tạo mảng 3 chiều các phần tử 1 với kích thước 2x3x4.
• np.arange(1,7,2): Tạo mảng với các phần tử từ 1 - 6 với bước nhảy là 2.
• np.full((2,3),5): Tạo mảng 2 chiều các phần tử 5 với kích thước 2x3.
• np.eye(4, dtype=int): Tạo ma trận đơn vị với kích thước là 4x4.
• np.random.random((2,3)): Tạo ma trận các phần tử ngẫu nhiên với kích thước 2x3.

3. Thao tác với mảng

• dtype: Kiểu dữ liệu của phần tử trong mảng.
• shape: Kích thước của mảng.
• size: Số phần tử trong mảng.
• ndim: Số chiều của mảng.

print("Kiểu dữ liệu của phần tử trong mảng:", arr2.dtype)

print("Kích thước của mảng:", arr2.shape)

print("Số phần tử trong mảng:", arr2.size)

print("Số chiều của mảng:", arr2.ndim)

Output:

Kiểu dữ liệu của phần tử trong mảng: int32

Kích thước của mảng: (3, 2, 4)

Số phần tử trong mảng: 24

Số chiều của mảng: 3

Truy cập phần tử trong mảng

Các phần tử trong mảng được đánh số từ 0 trở đi

• arr[i]: Truy cập tới phần tử thứ i của mảng 1 chiều.
• arr1[i,j]: Truy cập tới phần tử hàng i, cột j của mảng 2 chiều.
• arr2[n,i,j]: Truy cập tới phần tử chiều n, hàng i, cột j của mảng 3 chiều.
• arr[a:b]: Truy cập tới các phần tử từ a đến b-1 trong mảng 1 chiều.
• arr1[:,:i]: Truy cập tới phần tử từ cột 0 đến cột i-1, của tất cả các hàng trong mảng 2 chiều.

print("arr[2]=", arr[2])

print("arr1[1:2]=", arr1[1,2])

print("arr2[1,2,3]=", arr2[1,1,3])

print("arr[0:3]=", arr[0:3])

print("arr1[:,:1]=", arr1[:,:2])​

Output

arr[2]= 4

arr1[1:2]= 3

arr2[1,2,3]= 6

arr[0:3]= [1 3 4]

arr1[:,:1]= [[4 5]

            [1 2]]

Đọc mảng từ file .txt

diem_2a = np.loadtxt('Diem_2A.txt', dtype = int, delimiter=',') #ở đây tất cả phần tử là số nguyên nên mình để kiểu int cho dễ nhìn, các phần tử phân tách nhau bởi dấu ","



print("File dữ liệu điểm lớp 2A:\n", diem_2a)

Output

Các hàm thống kê

• arr.max() hoặc np.max(arr): Lấy giá trị lớn nhất của mảng arr.
• arr.min() hoặc np.min(arr): Lấy giá trị nhỏ nhất của mảng arr.
• arr.sum() hoặc np.sum(arr): Tổng tất cả các phần tử trong mảng arr.
• arr.mean() hoặc np.mean(arr): Trung bình cộng của tất cả các phần tử trong mảng arr.
• np.median(arr): Trả về giá trị trung vị của mảng arr.

print("Giá trị lớn nhất của mảng arr là:", np.max(arr))

print("Giá trị nhỏ nhất của mảng arr là:", np.min(arr))

print("Tổng tất cả các phần tử của mảng arr là:", np.sum(arr))

print("Trung bình cộng tất cả các phần tử của mảng arr là:", np.mean(arr))

print("Giá trị trung vị của mảng arr là:", np.median(arr))

Output:

Giá trị lớn nhất của mảng arr là: 6

Giá trị nhỏ nhất của mảng arr là: 1

Tổng tất cả các phần tử của mảng arr là: 19

Trung bình cộng tất cả các phần tử của mảng arr là: 3.8

Giá trị trung vị của mảng arr là: 4.0

NumPy dtype

Toán tử trong NumPy Array

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

Lời kết

Như vậy là mình đã giới thiệu cơ bản cho bạn về thư viện NumPy trong Python, nếu bạn muốn tìm hiểu thêm về thư viện NumPy thì bạn có thể vào ĐÂY để tham khảo thêm. Ở bài sau mình sẽ giới thiệu cho các bạn về cách xử lý dữ liệu với thư viện Pandas.

Theo codelearn.io

Japan IT Works