Tutoriel Numpy - NumPy Multidimensional Array-ndarray

1. Définition du ndarray
2. Attributs ndarray

NumPy est une bibliothèque qui utilise des tableaux multidimensionnels comme structure de données de base. La seule structure de données dans NumPy est ndarray mais pas la primitive Python type de données list, car list fonctionne relativement lentement.

Après avoir appris le ndarray qui est la pierre angulaire de NumPy, vous comprendrez pourquoi NumPy peut réaliser un calcul à grande vitesse.

Définition du ndarray

Le terme ndarray est l’abréviation de tableau à n dimensions, ou en d’autres termes, de tableaux multidimensionnels. ndarray est un objet représentant un tableau homogène et multidimensionnel d’éléments de taille fixe.

Les dimensions et le nombre d’éléments sont définis par la forme, c’est-à-dire un tuple de N entiers qui représente le nombre d’éléments dans chaque dimension. Le type d’élément dans le tableau est défini par dtype - data-type object.

Expliquons les phrases ci-dessus en langage profane. Tous les éléments stockés dans l’objet ndarray doivent avoir le même type de données et la même taille.

Les caractéristiques du type de données ndarray sont résumées comme suit.

1. Ne peut stocker que des éléments de même type
2. La quantité de données dans chaque dimension doit être la même, par exemple, un ndarray 2D doit avoir la même quantité d’éléments dans chaque colonne, et bien sûr aussi dans chaque ligne.
3. Il est écrit en langage C et il pourrait exécuter l’opération de matrice de façon optimale

Attributs ndarray

Lisons les attributs de ndarray.

Lorsque vous accédez aux attributs de ndarray, les données de l’instance de ndarray ne sont pas modifiées, même si vous utilisez .T pour obtenir la transposition de l’objet. Vous obtenez un nouvel objet ndarray mais pas les données originales modifiées.

Regardons la signification spécifique de chaque attribut à travers des exemples de codes.

>>> import numpy as np
>>> a = np.array([1, 2, 3])

Nous devons importer la bibliothèque NumPy et créer un nouveau tableau 1-D. Vous pouvez vérifier son type de données et le type de données de son élément.

>>> type(a)
numpy.ndarray
>>> a.dtype
dtype('int32')

Créons un nouveau tableau 2-D et vérifions ses attributs.

>>> b = np.array([[4, 5, 6], [7, 8, 9]])
>>> b
array([[4, 5, 6],
       [7, 8, 9]])
>>> b.T     # get the transpose of b
array([[4, 7],
       [5, 8],
       [6, 9]])
>>> b       # b keeps unmodified
array([[4, 5, 6],
       [7, 8, 9]])
>>> a.size  # a has 3 elements
3
>>> b.size  # b has 6 elements
6
>>> a.itemsize # The size of element in a. The data type here is int64 - 8 bytes
8
>>> b.nbytes  # check how many bytes in b. It is 48, where 6x8 = 48
48
>>> b.shape # The shape of b
(2, 3)
>>> b.dnim # The dimensions of b
2