Numpy là một thư viện lõi phục vụ cho khoa học máy tính của Python, hỗ trợ cho việc tính toán các mảng nhiều chiều, có kích thước lớn với các hàm đã được tối ưu áp dụng lên các mảng nhiều chiều đó. Numpy đặc biệt hữu ích khi thực hiện các hàm liên quan tới Đại Số Tuyến Tính.
Để cài đặt numpy nếu bạn có Anaconda chỉ cần gõ conda install numpy hoặc sử dụng tools pip pip install numpy.
Sau khi cài đặt xong, trong Python, chúng ta cần khai báo import numpy để có thể bắt đầu sử dụng các hàm của numpy. Vì numpy là thư viện được sử dụng thường xuyên nên nó thường được khai báo gọn lại thành np import numpy as np np có thể thay thế bằng các từ khác, tuy nhiên bạn nên đặt là np vì các tài liệu hướng dẫn đều ngầm quy ước như thế.
Arrays
Một mảng numpy là một lưới các giá trị, và tất cả các giá trị có dùng kiểu giá trị, và được lập chỉ mục bởi một số nguyên không âm, số chiều được gọi là rank của mảng Numpy, và shape là một tuple các số nguyên đưa ra kích thước của mảng theo mỗi chiều.
Chúng ta có thể khởi tạo numpy arrays từ nested Python lists, và dùng dấu ngoặc vuông để truy cập từng phần tử
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | importnumpyasnp a=np.array([1,2,3])# Tạo một numpy array với rank = 1 print(type(a)) # Sẽ in ra "<class 'numpy.ndarray'>" print(a.shape) # Sẽ in ra "(3,)" print(a[0],a[1],a[2]) # Sẽ in ra "1 2 3" a[0]=5 # Thay đổi giá trị của 1 phần tử trong mảng print(a) # Sẽ in ra kết quả là "[5, 2, 3]" b=np.array([[1,2,3],[4,5,6]]) # Tạo một numpy array với rank =2 print(b.shape) # In ra "(2, 3)" print(b[0,0],b[0,1],b[1,0]) # Sẽ in ra "1 2 4" |
Numpy cũng cung cấp rất nhiều hàm để khởi tạo arrays
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 | importnumpyasnp a=np.zeros((2,2)) # Tạo một numpy array với tất cả phẩn tử là 0 print(a) # "[[ 0. 0.] # [ 0. 0.]]" b=np.ones((1,2)) # Tạo một numpy array với tất cả phẩn tử là 1 print(b) # "[[ 1. 1.]]" c=np.full((2,2),7) # Tạo một mảng hằng print(c) # "[[ 7. 7.] # [ 7. 7.]]" d=np.eye(2) # Tạo một ma trận đơn vị 2 x 2 print(d) # "[[ 1. 0.] # [ 0. 1.]]" e=np.random.random((2,2)) # Tạo một mảng với các giá trị ngẫu nhiên print(e) # Có thể là "[[ 0.91940167 0.08143941] # [ 0.68744134 0.87236687]]" f=np.arange(10)# Tạo 1 numpy array với các phẩn tử từ 0 đến 9 print(f) # "[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]" |
Còn rất nhiều hảm để khởi tạo array bạn có thể tham khảo tại đây documentation
Array indexing
Numpy cung cấp một số cách để truy xuất phần tử trong mảng
Slicing: Tương tự như list trong python, numpy arrays cũng có thể được cắt.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 | importnumpyasnp # Khởi tạo numpy array có shape = (3, 4) có giá trị như sau: # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] a=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]]) # Sử dụng slicing để tạo numpy array b bằng cách lấy 2 hàng đầu tiên # và cột 1, 2. Như vậy b sẽ có shape = (2, 2): # [[2 3] # [6 7]] b=a[:2,1:3] # Một array tạo ra từ slicing sẽ có cùng địa chỉ với array gốc. # Nếu thay đổi 1 trong 2 thì array còn lại cũng thay đổi. print(a[0,1]) # Prints "2" b[0,0]=77 # b[0, 0] ở đây tương đương với a[0, 1] print(a[0,1]) # Prints "77" |
Bạn cũng có thể kết hợp việc dùng slicing và dùng chỉ số. Tuy nhiên, cách làm đó sẽ cho ra một mảng mới có rank thấp hơn mảng gốc.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 | importnumpyasnp # Tạo một numpy array có shape (3, 4) với giá trị như sau: # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] a=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]]) # Hai cách truy cập dữ liệu ở hàng giữa của mảng # Dùng kết hợp chỉ số và slice -> được array mới có rank thấp hơn, # Nếu chỉ dùng slice ta sẽ có 1 array mới có cùng rank # với array gốc row_r1=a[1,:] # Rank 1, hàng thứ 2 của a row_r2=a[1:2,:] # Rank 2, vẫn là hàng thứ 2 của a print(row_r1,row_r1.shape) # Prints "[5 6 7 8] (4,)" print(row_r2,row_r2.shape) # Prints "[[5 6 7 8]] (1, 4)" # Chúng ta có thể làm tương tự với cột của numpy array: col_r1=a[:,1] col_r2=a[:,1:2] print(col_r1,col_r1.shape) # Prints "[ 2 6 10] (3,)" print(col_r2,col_r2.shape) # Prints "[[ 2] # [ 6] # [10]] (3, 1)" |
Integer array indexing: Khi bạn truy xuất mảng dùng slicing, kết quả trả về sẽ là mảng con của mảng ban đầu, tuy nhiên sử dụng chỉ số mảng cho phép bạn xây dựng mảng tùy ý từ một mảng khác
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 | importnumpyasnp a=np.array([[1,2],[3,4],[5,6]]) # Truy xuất mảng dùng chỉ số. # Kết quả thu được là 1 mảng có shape (3,) print(a[[0,1,2],[0,1,0]]) # Prints "[1 4 5]" # Sẽ thu được kết quả tương đương như trên với cách này: print(np.array([a[0,0],a[1,1],a[2,0]])) # Prints "[1 4 5]" # Bạn được phép sử dụng chỉ số mảng để # truy xuất tới 1 phần tử # của mảng gốc nhiều hơn 1 lần print(a[[0,0],[1,1]]) # Prints "[2 2]" # Một cách làm khác tương đương: print(np.array([a[0,1],a[0,1]])) # Prints "[2 2]" |
Một mẹo hữu ích dùng chỉ số mảng để chọn và thay đổi phần tử từ mỗi hàng của ma trận
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 | importnumpyasnp # Tạo một mảng mới từ đó ta sẽ chọn các phần tử a=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]]) print(a) # prints "array([[ 1, 2, 3], # [ 4, 5, 6], # [ 7, 8, 9], # [10, 11, 12]])" # Tạo một mảng các chỉ số b=np.array([0,2,0,1]) # Lấy 1 phần tử từ mỗi hàng của a dùng với chỉ số ở mảng b print(a[np.arange(4),b]) # Prints "[ 1 6 7 11]" # Thay đổi một phẩn tử từ mỗi hàng của a dùng với chỉ số ở mảng b a[np.arange(4),b]+=10 print(a) # prints "array([[11, 2, 3], # [ 4, 5, 16], # [17, 8, 9], # [10, 21, 12]]) |
Boolean array indexing: Cho phép bạn chọn ra các phần tử tùy ý của một mảng, thường được sử dụng để chọn ra các phần tử thỏa mãn điều kiện nào đó
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 | importnumpyasnp a=np.array([[1,2],[3,4],[5,6]]) bool_idx=(a>2) # Tìm các phần tử lớn hơn 2; # Trả về 1 numpy array of Booleans có shape như mảng a # và giá trị tại mỗi phần tử là # True nếu phần tử của a tại đó > 2, # False cho trường hợp ngược lại. print(bool_idx) # Prints "[[False False] # [ True True] # [ True True]]" # Sử dụng một boolean array indexing để lấy # các phần tử thỏa mãn điều kiện nhất định trong a # Ví dụ ở đây in ra các giá trị của a > 2 # sử dụng array bool_idx đã tạo print(a[bool_idx]) # Prints "[3 4 5 6]" # Một cách ngắn gọn hơn: print(a[a>2]) # Prints "[3 4 5 6]" |
Nếu bạn muốn tìm hiều nhiều hơn về numpy array indexing bạn có thể tham khảo tại đây documentation
Datatypes
Mỗi numpy array là một lưới các phần tử cùng kiểu dữ liệu. Numpy cung cấp một tập hợp lớn các kiểu dữ liệu số mà bạn có thể sử dụng để xây dựng các mảng. Numpy cố gắng đoán một kiểu dữ liệu khi bạn tạo một mảng, nhưng các hàm xây dựng các mảng thường cũng bao gồm một đối số tùy chọn để chỉ định rõ ràng kiểu dữ liệu
1 2 3 4 5 6 7 8 9 10 11 12 | importnumpyasnp x=np.array([1,2]) # Để numpy xác định kiểu dữ liệu print(x.dtype) # Prints "int64"
Có thể bạn quan tâm
0
|
