Python Библиотеки. Джейд Картер

(многомерный массив), который представляет собой таблицу элементов одного типа данных. Одномерные массивы аналогичны спискам в Python, но NumPy поддерживает многомерные массивы, что делает его более мощным инструментом для работы с матрицами и тензорами. Создание массива можно выполнить с использованием функции `numpy.array()`.

      ```python

      import numpy as np

      # Создание одномерного массива

      arr1D = np.array([1, 2, 3])

      # Создание двумерного массива

      arr2D = np.array([[1, 2, 3], [4, 5, 6]])

      ```

      Операции с многомерными массивами:

      NumPy обеспечивает обширный набор операций для многомерных массивов, включая арифметические операции, логические операции, операции сравнения и многие другие. Операции выполняются поэлементно, что обеспечивает высокую производительность при обработке больших объемов данных без необходимости явных циклов.

      ```python

      import numpy as np

      # Арифметические операции

      arr1 = np.array([1, 2, 3])

      arr2 = np.array([4, 5, 6])

      result_addition = arr1 + arr2

      result_multiplication = arr1 * arr2

      # Логические операции

      bool_arr = arr1 > arr2

      # Универсальные функции (ufunc)

      sqrt_arr = np.sqrt(arr1)

      ```

      Примеры использования NumPy для математических вычислений

      NumPy предоставляет множество возможностей для выполнения математических вычислений. Разберем несколько примеров использования NumPy для различных математических операций:

      1. Операции с массивами:

      NumPy позволяет выполнять арифметические операции с массивами. Допустим, у вас есть два массива, и вы хотите выполнить поэлементное сложение.

      ```python

      import numpy as np

      arr1 = np.array([1, 2, 3])

      arr2 = np.array([4, 5, 6])

      result_addition = arr1 + arr2

      print(result_addition)

      ```

      Результат: [5 7 9]

      2. Универсальные функции (ufunc):

      NumPy предоставляет множество универсальных функций, которые могут быть применены поэлементно к массивам. Например, вычисление квадратного корня для каждого элемента массива.

      ```python

      import numpy as np

      arr = np.array([1, 4, 9])

      sqrt_arr = np.sqrt(arr)

      print(sqrt_arr)

      ```

      Результат: [1. 2. 3.]

      3. Линейная алгебра:

      NumPy обладает мощными возможностями для линейной алгебры. Вычисление матричного произведения, нахождение обратной матрицы и определителя – все это можно легко сделать с использованием NumPy. Пример вычисления матричного произведения.

      ```python

      import numpy as np

      matrix1 = np.array([[1, 2], [3, 4]])

      matrix2 = np.array([[5, 6], [7, 8]])

      result_matrix_product = np.dot(matrix1, matrix2)

      print(result_matrix_product)

      ```

      Результат:

      [[19 22]

      [43 50]]

      4. Статистика:

      NumPy предоставляет функции для вычисления различных статистических параметров, таких как среднее значение, стандартное отклонение и медиана.

      ```python

      import numpy as np

      data = np.array([1, 2, 3, 4, 5])

      mean_value = np.mean(data)

      std_deviation = np.std(data)

      median_value = np.median(data)

      print("Mean:", mean_value)

      print("Standard Deviation:", std_deviation)

      print("Median:", median_value)

      ```

      Результат:

      Mean: 3.0

      Standard Deviation: 1.4142135623730951

      Median: