Наступление эры больших данных требует интеллектуального анализа данных во многих задачах, чтобы обнаружить более выгодные закономерности, избежать рисков или обнаружить ценность для бизнеса.

Основа анализа больших данных — хорошее изучение языков программирования.

В этой статье мы рассмотрим вместе с вами функцию массива в Python, что позволит вам в кратчайшие сроки понять принцип работы этой функции.

Вы также можете использовать фрагментированное время для консолидации этой функции, что позволит вам более эффективно выполнять работу.

Содержание этой статьи

1. Установить пакет numpy
2. определение функции массива
3. пример функции массива 3.1 Создайте одномерное множество 3.2 Создайте двумерное множество, используя вложенные списки. 3.3 обозначениетип данных 3.4 Создайте множество с минимальным количеством измерений 2
4. Интересный случай 4.1 Преобразование цвета при обработке изображений 4.2 Модель прогнозирования цены акций
5. Комплексный анализ сложностей

1. Установите пакет numpy.

Array — это функция библиотеки numpy. Чтобы вызвать ее, вам необходимо сначала установить пакет numpy. Откройте cmd, и оператор установки будет выглядеть следующим образом:

pip install numpy

Поскольку библиотека numpy является одной из наиболее часто используемых библиотек для анализа данных, я ее уже установил. Если я установлю ее еще раз, появится следующее:

2. Определение функции массива

В мире Python NumPy, несомненно, является королем в области числовых вычислений.
Одна из его основных функций — numpy.array, которая может комбинировать различные типы Данные преобразуются во множество форм для подготовки к последующим вычислениям, таким как математические и статистические.
Далее мы дадим вам углубленный анализ каждого параметра numpy.array и позволим вам почувствовать его прелесть на практических примерах.

Его основной синтаксис вызова следующий:

import numpy as np  
  
np.array(object, dtype=None, *, copy=True, order='K', subok=False, ndmin=0,
          like=None)

Подробное объяснение часто используемых параметров:

object(Параметры данных)：Обязательные параметры,Может быть список、кортеж、Итерируемые объекты, такие как строки.

dtype(тип данные): Необязательный параметр, используемый для указания типа множества элементов. данные. Например, int32, float64 и т. д. Если указано, NumPy автоматически определит тип на основе входных данных. данных。

copy(копировать)：По умолчаниюTrue,Указывает, требует ли объект копировать. Если ложь,и соответствовать определенным условиям,Тогда нет копировать объект. Это экономит память,Но вам необходимо убедиться, что исходные данные не будут изменены.

order(расположение памяти)：обозначениемножествоизрасположение памяти,Например, «C» означает стиль C (основные строки).,«F» указывает на стиль Фортрана (основной столбец).

subok(Подкласс)：По умолчаниюFalse。если дляTrue,тогда переданный подкласс будет передан,В противном случае возвращаемое число будет принудительно передано базовому классу «множество» (по умолчанию).

ndmin(минимальный размер)：Дополнительные параметры,обозначениегенерироватьмножествоминимальный размер。

три、пример функции массива

1 Создайте одномерный массив Сначала импортируйте библиотеку numpy, а затем используйте функцию np.array для создания одномерного массива. Конкретный код выглядит следующим образом: 2. Создайте двумерный массив, используя вложенные списки. Затем примените функцию массива для создания двумерного массива с использованием вложенных списков. Конкретный код выглядит следующим образом: импортировать numpy как np # Создаем двумерный массив, используя вложенные списки arr2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) печать (обр2) Получите результат: [[1 2 3] [4 5 6] [7 8 9]] 3 Укажите тип данных Затем используйте параметр dtype, чтобы указать тип данных для создания одномерного массива. Конкретный код выглядит следующим образом: импортировать numpy как np #Указываем тип данных arr3 = np.array([1.1, 2.5, 3.9, 9], dtype=int) печать (обр3) Получите результат: [1 2 3 9] Из результатов мы знаем, что исходный список представляет собой данные с плавающей запятой. При использовании функции массива для создания одномерного массива, поскольку тип данных указан как целое число, значения результата округляются в меньшую сторону. 4. Создайте массив с минимальной размерностью 2. Затем создайте массив с минимальной размерностью 2. Конкретный код выглядит следующим образом: импортировать numpy как np # Создаем массив с минимальной размерностью 2 arr4 = np.array([1, 2, 3], ndmin=2) печать (обр4) Получите результат: [[1 2 3]] Базовое использование функции массива было описано выше. Далее давайте рассмотрим два интересных случая фактического применения функции массива. 4. Введение в интересные случаи 1 Преобразование цвета при обработке изображений При обработке изображений часто необходимо преобразовать цветовое пространство RGB в пространство HSV. Это преобразование можно легко выполнить с помощью numpy.array() NumPy и соответствующих математических операций. Сначала нам нужно создать массив NumPy, представляющий значения RGB: image_data = numpy.array([r, g, b]), а затем применить формулу для преобразования. 2 Модель прогнозирования цен на акции Предположим, мы хотим построить простую модель линейной регрессии для прогнозирования цен на акции. Во-первых, нам нужно собрать исторические данные об акциях и преобразовать их в массив NumPy с помощью numpy.array(). Затем используйте функцию линейной регрессии (например, numpy.polyfit()), чтобы подогнать данные и найти наиболее подходящую линию. Наконец, мы можем использовать эту модель для прогнозирования будущих цен на акции. 5. Комплексный анализ трудностей. 1. Выбор типа данных. Выбор правильного типа данных имеет решающее значение для обеспечения точности и производительности вычислений. Например, для целочисленных данных следует выбрать int32 или int64, а для чисел с плавающей запятой — float32 или float64. 2. Управление памятью. При работе с большими наборами данных разумное управление памятью имеет решающее значение. Использование copy=False позволяет избежать ненужных копий памяти и тем самым ускорить вычисления. Однако необходимо убедиться, что исходные данные не изменены, иначе результаты могут оказаться ошибочными. 3. Операции с многомерными массивами. NumPy поддерживает операции с многомерными массивами. Правильное понимание и обработка многомерных массивов является ключом к сложному анализу данных. Например, при обработке изображений двумерный массив обычно представляет собой матрицу пикселей, а трехмерный массив может представлять каналы RGB и информацию о высоте/глубине. На этом этапе функция массива в Python была объяснена. Если вы хотите узнать больше о функциях в Python, вы можете прочитать статьи, связанные с модулем «Изучение Python», в общедоступном аккаунте.