TÌM HIỂU THƯ VIỆN NUMPY TRONG PYTHON
Numpy là một thư viện trong python, được sử dụng rất nhiều trong lập trình khoa học dữ liệu. Cùng nhau tìm hiểu về numpy trong python nhé
Nội dung bài viết
Thư viện NumPy trong Python là gì?
NumPy hay còn được biết với cái tên Numeric python là thư viện lõi phục vụ cho khoa học máy tính của Python. Thư viện này cung cấp một đối tượng mảng đa chiều hiệu suất cao và các công cụ để làm việc với các mảng này.
Những tính năng quan trọng của Numpy gồm có:
- Đối tượng mảng N-chiều mạnh mẽ
- Các chức năng broadcasting
- Phép biến đổi Fourier, khả năng số ngẫu nhiên
- Các công cụ để tích hợp mã C / C ++ và Fortran.
Bên cạnh đó, NumPy còn được sử dụng như một nơi chứa dữ liệu chung đa chiều hiệu quả. Các kiểu dữ liệu tùy ý có thể được xác định bằng cách sử dụng NumPy, cho phép NumPy tích hợp liền mạch và nhanh chóng với nhiều loại cơ sở dữ liệu.
Ngôn ngữ thư viện NumPy trong python
Vì, NumPy là một thư viện Python nên nó được viết một phần bằng Python và C hoặc C ++. Và nó cũng hỗ trợ các phần mở rộng bằng các ngôn ngữ khác, thường là C ++ và Fortran.
Học NumPy trong python khó hay dễ ?
NumPy là một thư viện trong Python mã nguồn mở chủ yếu được sử dụng để thao tác và xử lý dữ liệu dưới dạng mảng. Vì vậy, nó khá dễ học và hoạt động nhanh, hoạt động tốt với các thư viện khác, có nhiều chức năng tích hợp và cho phép bạn làm các phép toán ma trận.
Cài đặt thư viện NumPy trong python như thế nào
Người dùng Mac và Linux có thể cài đặt NumPy thông qua lệnh pip:
pip install numpy
Đối với Windows, bạn vui lòng tải xuống trình cài đặt cửa sổ được tạo sẵn cho NumPy (theo cấu hình hệ thống và phiên bản Python của bạn). Sau đó cài đặt các gói theo cách thủ công.
5. Các thao tác với NumPy trong python
5.1 Khai báo thư viện
1 |
import numpy as np |
5.2 Khởi tạo mảng
Khởi tạo mảng một chiều
1 2 3 4 5 6 7 |
#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]
Khởi tạo mảng hai chiều
1 2 3 4 5 |
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]]]
Khởi tạo các hàm có sẵn
- np.zeros((3,4), dtype = int): Tạo mảng hai chiều các phần tử 0 với kích thước 3×4.
- 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 2×3.
- np.eye(4, dtype=int): Tạo ma trận đơn vị với kích thước là 4×4.
- np.random.random((2,3)): Tạo ma trận các phần tử ngẫu nhiên với kích thước 2×3.
5.3 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.
1 2 3 4 |
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 các 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.
1 2 3 4 5 |
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]]
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.
1 2 3 4 5 6 7 8 9 |
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
Hy vọng những chia sẻ trên đây sẽ giúp bạn mở mang kiến thức về thư viện Numpy trong Python và hiểu được một số thao tác với Numpy. Chúc bạn ứng dụng trong công việc thành công! Bên cạnh đó các bạn có thể tìm hiểu thêm về khóa học python tại đây

Các khóa học
- Mastering AWS : From Basics to Applications Specialized
- Data Engineer Track (Updating) Specialized
- Combo Data Engineering Professional (Updating) Hot
- Combo Python Level 1 & Level 2 Bestseller
- Business Intelligence Track Hot
- Data Science Track Bestseller
- Data Analyst Professional (Data Analyst with Python Track) Bestseller
- RPA UiPath Nâng Cao: Chiến Thuật Automation Cho Chuyên Gia Specialized
- RPA UiPath cho Người Mới Bắt Đầu: Thành Thạo Automation Chỉ Trong 1 Ngày Specialized
- Business Analyst Fast Track Bestseller
- Business Analyst Bestseller
Đăng ký tư vấn khóa học
*Vui lòng nhập số điện thoại của bạn
*Vui lòng nhập họ tên của bạn
*Vui lòng chọn giới tính
*Vui lòng chọn 1 trường