Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-02-26

1 Библиотека Numpy дает мощный и удобный высокоуровневый аппарат для работы с многомерными данными. Для работы с ними в Numpy разработана своя собственная структура данных - массив numpy.ndarray. Именно под эту структуру оптимизирована работа всего функционала библиотеки.

2 В этом уроке познакомимся с тем, как создавать массив ndarray из стандартных типов данных языка Python и попробуем на практике решить ряд простых аналитических задач.

3 <h3>Структура данных библиотеки Numpy</h3>

4 Чтобы создать структуру numpy.ndarray, нужно конвертировать список list. Для конвертации из множества set требуется дополнительное приведение типа данных.

5 Рассмотрим на таком примере:

6 А теперь разберем этот код подробнее. Сам пример показывает встроенную функциональность для создания структуры numpy.ndarray. Мы импортируем библиотеку Numpy, создаем короткий список значений simple_list, а затем конвертируем в массив my_first_ndarray. Для этого вызываем конструктор np.array() с объектами для конвертации.

7 С учетом примера выше, обратная конвертация в список происходит так:

8 Конвертация из списка Python - это самая популярная операция, с помощью которой создается структура numpy.ndarray.

9 Так происходит потому, что обмен данными между функциями и сервисами удобно производить в стандартных структурах данных языка. Другими словами, можно не вводить структуры данных сторонних библиотек и не усложнять программу.

10 Но при разработке сложных программ модуль numpy.ndarray может быть только частью общей структуры. В таких случаях используют стандартные типы данных языка для обмена данными между функциональными частями программ.

11 В итоге порядок работы с данными при работе с Numpy выглядит следующим образом:

12 Как правило, вычислительные и аналитические модули в виде входных данных ожидают списки значений. Всю оптимизацию они делают уже внутри себя в собственных абстракциях, невидимых извне. Это сделано для простоты интеграции.

13 <h3>Допустимые типы данных</h3>

14 Поговорим подробнее о типах элементов массива, которые можно использовать для numpy.ndarray. Продолжим работать с тем же примером и воспользуемся следующим методом:

15 Как и ожидалось, тип данных - int64. Необязательно ограничиваться только им:

16 Обратите внимание, что для экземпляра структуры numpy.ndarray нельзя использовать сразу несколько типов данных. Проще говоря, все элементы в массиве должны быть однотипные. Посмотрим, как конструктор сам определит тип данных при конвертации:

17 Заметим, что ошибки при конвертации смешанного типа элементов массива не произошло. Конвертор просто привел все данные к строковому типу.

18 <h2>Как Numpy работает на практике</h2>

19 Функциональность библиотеки Numpy настолько интуитивна, что уже сейчас можно решить простую аналитическую задачку.

20 Представим продажи ноутбуков в магазине за одну неделю:

21 На практике такие данные обычно хранятся в табличном виде в базе данных. Чтобы упростить пример, мы пропустили этап выгрузки - подразумевается, что данные приходят в вычислительный модуль уже в виде списка значений.

22 Поработаем с данными с помощью библиотеки Numpy:

23 Попробуем найти день недели с самыми низкими продажами. Опыт работы с Python подсказывает, что метод будет называться min() или minimum(). Найдем минимальное количество продаж и заодно день недели, в который оно совершено:

24 Чтобы найти наибольшее количество продаж, достаточно поменять одну функцию:

25 На практике часто анализ не ограничивается только одной неделей продаж и одним магазином. В этом случае набор данных представлен в видесписка списков элементов- это уже двумерная структура, которая в математике называется матрицей.

26 В Numpy реализация инициализации массивов и функций работы с ними не зависит от размерности данных, что существенно упрощает разработку.

27 В современных библиотеках можно применять одну и ту же функцию к различным типам данных. Рассмотрим это на примере, похожем на предыдущий. Найдем день с самыми низкими доходами во всей сети магазинов. Рассмотрим недельные продажи в четырех магазинах:

28 Мы ожидаем, что функционально все должно быть реализовано похожим образом. Давайте в этом убедимся, взглянув на код:

29 В приведенном примере метод min() находит минимальный элемент среди всех значений массива.

30 Большинство функций в Numpy реализованы так, что методы и функции выполняют одинаковые операции, вне зависимости от типа данных на входе.

31 В программировании такой подход называетсяполиморфизмом. Он упрощает разработку и делает код более простым для анализа и поддержки.

32 <h3>Выводы</h3>

33 Сегодня мы познакомились с основной структурой данных библиотеки Numpy - массивом numpy.ndarray.

34 В работе с ним мы используем указанный тип данных - это обусловлено оптимизацией работы функций внутри библиотеки. У Numpy понятный интерфейс для конвертации типа данных list из стандартной библиотеки Python.

35 Новые знания мы сразу закрепили на практической задаче - вычислили день с самыми низкими доходами в сети магазинов. Эта задача показывает, насколько Numpy упрощает работу с входными данными разной размерности.