Bemind
Учебник Python
Учебник Python
  • Python
    • Python Lists
      • Списковые включения в Python (Полное руководство с примерами)
      • Исправление ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Как добавить строку в список в Python
      • Разница между массивами и списками в Python
      • Python: Различия между списками и кортежами
      • Как проверить, пуст ли список в Python
      • Как Итерировать (Циклически Проходить) По Списку в Python
      • Python List sort(): Подробное руководство по сортировке списков
      • Python List Extend: Как добавить несколько элементов в список
      • Python: Найти Индекс Всех Вхождений Элемента в Списке
      • Конвертация списка словарей в Pandas DataFrame
      • Генерация случайных чисел в Python
      • Поиск Индекса в Списке Python: Найти Первое, Последнее или Все Вхождения
      • Добавить в начало списка в Python (Вставить в начало)
      • Найти дубликаты в списке Python
      • Python: Умножение Списков (6 Различных Способов)
      • Python списки: Полный обзор
      • Python: Выбор случайного элемента из списка
      • 4 Способа Очистить Список в Python
      • Объяснение ошибки IndexError в Python: индекс списка выходит за пределы допустимого диапазона
      • Python: Получение индекса максимального элемента в списке
      • Python: Объединение списков – Слияние списков (8 способов)
      • Python: Проверка наличия элемента в списке
      • Python: Проверка наличия элемента в списке
      • Удаление элемента из списка в Python (pop, remove, del, clear)
      • Как перевернуть список в Python (6 способов)
      • Python: Замена элемента в списке (6 различных способов)
      • Python: Удаление дубликатов из списка (7 способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Перемешать Список (Случайное Распределение Элементов Списка в Python)
      • Python: Пересечение двух списков
      • Python: Вычитание двух списков (4 простых способа!)
      • Длина или Размер Списка в Python: 5 Способов Узнать Длину Списка
      • Python: Транспонирование списка списков (5 простых способов!)
      • Python: Разделение списка (Пополам, на части)
      • Python: Комбинации списка (Получить все комбинации списка)
      • Python: Выравнивание списка списков (4 способа)
      • Разница между списками в Python: Нахождение разницы между двумя списками Python
      • Python: Найти среднее значение списка или списка списков
      • Как добавлять элементы в списки в Python – 4 простых способа!
      • Списковые включения в Python (Полное руководство с примерами)
      • 6 способов преобразовать список Python в строку
    • Python Dictionaries
      • Понимание словаря Python (с примерами)
      • Исправляем ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Преобразование JSON в словарь Python
      • Полное руководство по вложенным словарям в Python
      • Копирование словаря в Python: Полное руководство
      • Конвертация списка словарей в Pandas DataFrame
      • Поиск дубликатов в списке Python
      • Полный обзор словарей в Python
      • Python: Добавление пары Ключ:Значение в Словарь
      • Python: Сортировка словаря по значениям
      • Слияние Словарей в Python – Комбинирование Словарей (7 Способов)
      • Python: Удаление Дубликатов из Списка (7 Способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Красивая Печать Словаря (Dictionary) – 4 Способа
      • Python: Проверка пуст ли словарь (5 способов!)
      • Copy of Python: Проверка пуст ли словарь (5 способов!)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Получение Ключа Словаря с Максимальным Значением (4 Способа)
      • Python: Удаление ключа из словаря (4 разных способа)
      • Как красиво вывести JSON-файл в Python (6 методов)
    • Python Strings
      • Python Капитализация Строк: Руководство по Преобразованию слов в Заглавные
      • Python strip: Как обрезать строку в Python
      • Python Обратная Строка: Руководство по Реверсированию Строк
      • Как Удалить Префикс или Суффикс из Строки в Python
      • Преобразование строки в формат заголовка в Python с помощью str.title()
      • Как добавить строку в список в Python
      • Python String startswith: Проверка, начинается ли строка с подстроки
      • Python String endswith: Проверка того, заканчивается ли строка подстрокой
      • Как удалить первый или последний символ из строки в Python
      • Как исправить: SyntaxError в Python - EOL при сканировании строкового литерала
      • Python String Contains: Проверка Наличия Подстроки в Строке
      • Как проверить, пустая ли строка в Python
      • Python Новая Строка и Как Печатать Без Переноса Строки
      • Как Конкатенировать Строки в Python: Полное Руководство
      • Python: Подсчет слов в строке или файле
      • Как создать список алфавита в Python
      • Python: Конкатенация строки и целого числа (Int)
      • Python: Сортировка строки (4 различных способа)
      • Python zfill и rjust: Добавление нулей в строку в Python
      • Python: Целое в Двоичное (Преобразование целого числа в двоичную строку)
      • Python rfind: Нахождение индекса последней подстроки в строке
      • Python SHA256 хеширование алгоритм: объяснение
      • Python: Усечение числа с плавающей точкой (6 различных способов)
      • Выбор между методами Python isdigit(), isnumeric() и isdecimal()
      • Python: Удаление специальных символов из строки
      • Python Приведение Строки к Нижнему Регистру с помощью .lower(), .casefold(), и .islower()
      • Python программа для проверки, является ли строка палиндромом (6 методов)
      • Python: Найдите все перестановки строки (3 легких способа!)
      • Python: Удаление пунктуации из строки (3 разных способа!)
      • Python: Найти индекс (или все индексы) подстроки в строке
      • Python: Удаление символов новой строки из строки
      • Python: Удаление символа из строки (4 способа)
      • Python: Количество вхождений в строке (4 способа!)
    • Встроенные функции Python
      • abs()
      • ascii()
      • aiter()
      • all()
      • any()
      • anext()
      • bin()
      • bool()
      • breakpoint()
      • bytearray()
      • bytes()
      • callable()
      • chr()
      • classmethod()
      • compile()
      • complex()
      • delattr()
      • dict()
      • dir()
      • divmod()
      • enumerate()
      • eval()
      • exec()
      • filter()
      • float()
      • format()
      • frozenset()
      • getattr()
      • globals()
      • hasattr()
      • hash()
      • help()
      • hex()
      • id()
      • input()
      • int()
      • issubclass()
      • iter()
      • len()
      • list()
      • locals()
      • map()
      • max()
      • memoryview()
      • min()
      • next()
      • object()
      • oct()
      • open()
      • ord()
      • pow()
      • print()
      • property()
      • range()
      • repr()
      • reversed()
      • round()
      • set()
      • setattr()
      • isinstance()
      • slice()
      • zip()
      • type()
      • sorted()
      • staticmethod()
      • str()
      • sum()
      • super()
      • tuple()
      • vars()
      • import()
    • Cобеседования Python. Разбор реальных вопросов.
    • Встроенные методы в Python
  • Учебники по Pandas и Numpy
    • Numpy
      • Функция активации ReLU для глубокого обучения: полное руководство по выпрямленному линейному блоку
      • Как нормализовать массивы NumPy (минимальное-максимальное масштабирование, Z-оценка, L2)
      • NumPy where: Условная обработка элементов массива
      • NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace
      • Как рассчитать векторное произведение в Python
      • Разделение NumPy: Разделение массива NumPy на части
      • NumPy: Лучшие способы применения функции к массиву
      • NumPy full: Создание массивов с заданным значением
      • NumPy clip(): Ограничьте значения массива минимальным и максимальным значениями
      • NumPy cumsum: Расчет кумулятивных сумм массивов NumPy
      • Изучаем функцию np.histogram в NumPy: создаем гистограмму
      • NumPy arange(): Полное руководство (с примерами)
      • Руководство по индексации и срезам массивов NumPy: Полное руководство
      • NumPy argmin(): Получение индекса минимального значения в массивах
      • Выравнивание массива с помощью NumPy flatten
      • Объединение массивов NumPy по различным осям с использованием функции stack
      • Удаление размерности из массивов NumPy с помощью NumPy Squeeze
      • Функция np.repeat() NumPy: Повторение массивов NumPy
      • Использование функции NumPy.exp() для вычисления экспоненты
      • Реализация функции сигмоида на Python
      • NumPy Pad: Использование np.pad() для дополнения массивов и матриц
      • np.argmax(): Как использовать NumPy Argmax
      • NumPy logspace: Понимание функции np.logspace()
      • Использование NumPy Tile для Расположения Массивов
      • NumPy Zeros: Создание массивов и матриц с нулями в NumPy
      • Использование числа Пи в Python (NumPy и Math)
      • Распределение Нормального (Гауссова) Распределения в Numpy (Случайное Нормальное в Numpy)
      • NumPy для Data Science на Python
      • Расчет скалярного произведения с использованием Numpy в Python
      • Расчет натурального логарифма на Python
    • Pandas
      • Python сводные таблицы – Полное руководство
      • Изучение API стиля Pandas
      • Объяснение группировки по нескольким столбцам в Pandas с примерами
      • Удаление индексной колонки DataFrame в Pandas: Руководство с примерами
      • Pandas Quantile: Расчет процентилей в DataFrame
      • Как рассчитать скользящее среднее (среднее арифметическое) в Pandas
      • Руководство по использованию метода fillna в Pandas для работы с отсутствующими данными в DataFrame
      • Pandas unique(): Получение уникальных значений в DataFrame
      • Распакуйте Ваши Данные с Помощью Функции Melt в Pandas
      • Pandas date_range: Как Создать Диапазон Дат в Pandas
      • Сброс индекса в Pandas: как сбросить индекс в Pandas
      • Pandas replace() – Замена значений в DataFrame Pandas
      • Перемещение столбца DataFrame Pandas на позицию (В начало и в конец)
      • Учебное пособие по Python Pandas: полное руководство
      • Pandas: Замена NaN на нули
      • Преобразование DataFrame Pandas в файл Pickle
      • Конвертация Pandas DataFrame в JSON
      • Преобразование DataFrame Pandas в Словарь
      • Преобразование Pandas DataFrame в Список
      • Чтение файлов Parquet в Pandas с помощью pd.read_parquet
      • Pandas dropna(): Удаление отсутствующих записей и столбцов в DataFrame
      • Как Добавить Новый Столбец в DataFrame Pandas
      • Подсчёт уникальных значений в Pandas
      • Отображение всех столбцов и строк в DataFrame Pandas
      • Pandas to_excel: Запись DataFrames в файлы Excel
      • Как использовать Pandas для чтения файлов Excel в Python
      • Преобразование списка словарей в Pandas DataFrame
      • Как добавить/вставить строку в DataFrame Pandas
      • Диаграмма рассеяния в Pandas: Как создать диаграмму рассеяния в Pandas
      • Pandas to_datetime: Преобразование строки Pandas в дату и время
      • Введение в Pandas для Data Science
      • Индексация, Выборка и Присваивание Данных в Pandas
      • Суммирование и Анализ Pandas DataFrame
      • Преобразование столбцов Pandas с помощью map и apply
      • Группировка данных в Pandas с использованием cut и qcut
      • Дата и время в Pandas и Python
      • Очистка и подготовка данных в Pandas и Python
      • Pandas GroupBy: группировка, суммирование и агрегация данных в Python
      • Pandas Дата и Время в Части Даты (месяц, год и т.д.)
      • Pandas: Получение номера строки из DataFrame
      • Вычисление Взвешенного Среднего в Pandas и Python
      • Как перемешать строки Pandas Dataframe в Python
      • Pandas: количество столбцов (подсчет столбцов в DataFrame)
      • Pandas Sum: сложение столбцов и строк DataFrame
      • Pandas Diff: Вычисление Разницы Между Строками Pandas
      • Нормализация столбца или датафрейма Pandas (с использованием Pandas или sklearn)
      • Функция Rank в Pandas: Ранжирование данных в Dataframe (Эквивалент SQL row_number)
      • Pandas Describe: Описательная статистика вашего Dataframe
      • Pandas Shift: Перемещение столбца DataFrame вверх или вниз
      • 7 Способов Выполнения Выборки Данных в Pandas
      • Экспорт DataFrame Pandas в CSV файл – Использование .to_csv()
      • Pandas: Итерация по строкам DataFrame в Pandas
      • Pandas: Преобразование значений столбца в строки
      • Дисперсия в Pandas: Вычисление дисперсии столбца в Pandas Dataframe
      • Pandas: Создание DataFrame из списков (5 способов!)
      • Pandas Rename Index: Как переименовать индекс DataFrame в Pandas
      • Pandas: Подсчёт уникальных значений в объекте GroupBy
      • Pandas: Добавить дни к колонке с датами
      • Среднее в Pandas: Как рассчитать среднее для одной или нескольких колонок
      • Pandas Column to List – Конвертируйте колонку Pandas в список
      • Транспонирование Dataframe в Pandas
      • Python: Разделение DataFrame Pandas
      • Как получить имена столбцов в DataFrame Pandas
      • Pandas: Количество строк в DataFrame (6 способов)
      • Создание пустого DataFrame Pandas и добавление данных
      • Как переименовать столбцы в Pandas DataFrame (с примерами)
      • Изменение порядка столбцов в Pandas: использование метода reindex и метода insert
      • Pandas get_dummies (One-Hot кодирование), объяснение
      • Относительные и Абсолютные Частоты в Python и Pandas
      • Финансовый год – Определение финансового года в Pandas
      • Как сортировать данные в DataFrame Pandas
  • Учебники Matplotlib и Seaborn
    • Seaborn
      • Регрессионные графики в Seaborn с использованием regplot и lmplot
      • Seaborn residplot – Построение остатков линейной регрессии
      • Seaborn jointplot() – Создание совместных графиков в Seaborn
      • Seaborn displot – Распределенческие графики в Python
      • Seaborn ecdfplot – Эмпирические функции накопленного распределения
      • Seaborn rugplot – Визуализация маргинальных распределений
      • Seaborn kdeplot – Создание графиков оценки плотности ядра
      • Seaborn histplot – Создание Гистограмм в Seaborn
      • Seaborn catplot – Визуализация категориальных данных в Python
      • Средняя тенденция для категориальных данных в Seaborn Pointplot
      • Seaborn stripplot: Jitter Plots для распределений категориальных данных
      • Seaborn Countplot – Подсчет категориальных данных в Python
      • Seaborn swarmplot: Bee Swarm Plots для распределения категориальных данных
      • Скрипичные графики Seaborn в Python: Полное руководство
      • Настройка расположения легенд Seaborn, меток, текста и т.д.
      • Тепловая карта Seaborn: Полное руководство
      • Создание многосекционных сеток в Seaborn с помощью FacetGrid
      • Удаление рамки в Seaborn: Как работать с рамкой
      • Заголовки и метки осей в Seaborn: добавление и настройка
      • Как установить Seaborn в Python (Исправление: no module named seaborn)
      • Seaborn relplot – Создание точечных и линейных графиков
      • Полное руководство по созданию точечных диаграмм (scatter plots) в Python с использованием Seaborn
    • Matplotlib
      • Режим Retina в Matplotlib: Улучшение Качества Графиков
      • Как построить функцию в Python с использованием Matplotlib
      • Как создать 3D-диаграммы рассеяния в Matplotlib
      • Как изменить размер шрифта в графике Matplotlib
      • Установка размера маркера в точечных диаграммах Matplotlib
      • Как изменить размер графика и фигуры в Matplotlib
      • Как добавить названия в Matplotlib: Заголовок, Подзаголовок, Названия Осей
      • Pandas Scatter Plot: Как создать диаграмму рассеяния в Pandas
      • Построение графиков в Python с помощью Matplotlib
      • Диаграммы рассеяния Matplotlib – Все, что вам нужно знать
      • Диаграммы с столбцами в Matplotlib – Узнайте все, что вам нужно знать
      • Линейные диаграммы Matplotlib – Всё, что вам нужно знать
      • Построение гистограммы в Python с Matplotlib и Pandas
  • Алгоритмы
    • Алгоритм поиска в ширину (BFS) в Python
    • Алгоритм поиска в глубину (DFS) на Python
  • AI создает хедж-фонд для анализа акций на Python
Powered by GitBook
On this page
  • Понимание функции NumPy arange()
  • Использование диапазона NumPy для создания числовой последовательности
  • Различия между диапазоном NumPy и диапазоном Python()
  • Создание последовательностей в обратном направлении с помощью диапазона NumPy
  • Настройка типов данных в диапазоне NumPy
  • Создание двумерных массивов с помощью диапазона NumPy
  • Часто задаваемые вопросы
  • Заключение
  • Дополнительные ресурсы
  1. Учебники по Pandas и Numpy
  2. Numpy

NumPy arange(): Полное руководство (с примерами)

PreviousИзучаем функцию np.histogram в NumPy: создаем гистограммуNextРуководство по индексации и срезам массивов NumPy: Полное руководство

Last updated 1 year ago

В этом руководстве вы узнаете, как использовать функцию NumPy arange для создания последовательности чисел. Это руководство научит вас всему, что вам нужно знать, включая то, как функция может быть настроена для ваших нужд. NumPy предоставляет ряд различных функций для создания массивов, таких как функция np.linspace() и np.zeros

Понимание того, как работать с массивами и как генерировать их на лету, является важным навыком для любого аналитика данных или специалиста по данным. Поскольку NumPy так важен для других библиотек анализа данных, таких как Pandas и Scikit-Learn, важно понимать, как это работает.

К концу этого руководства вы научитесь:

  • Как использовать функцию NumPy arange() для создания последовательностей чисел

  • Как настроить функцию для обратного счета или создания отрицательных чисел

  • Как изменить типы данных функции NumPy arange()

  • Как генерировать двумерные массивы с помощью функции NumPy arange()

  • Чем функция NumPy arange() отличается от других функций

Оглавление

Понимание функции NumPy arange()

В этом разделе вы узнаете, как использовать функцию arange() из NumPy для генерации последовательности чисел. Мы начнем с рассмотрения параметров функции и аргументов по умолчанию, которые предоставляет функция. Затем мы создадим наш первый массив с помощью этой функции:

# Понимание функции NumPy arange()
np.arange([start, ]stop, [step, ]dtype=None, *, like=None)

Функция np.arange() возвращает одномерный массив с равномерно разнесенными значениями в заданном диапазоне. Этот метод похож на встроенную функцию range() в Python, но возвращает массив NumPy вместо списка.

Из приведенного выше блока кода видно, что функция предлагает пять различных параметров. В таблице ниже описаны параметры и их аргументы по умолчанию:

Параметр
Описание
Аргумент по умолчанию
Принятые значения

start=

Начальное значение интервала, который включается. (необязательный):

0

integer, real value

stop=

Конец интервала, который не включается.

N/A

integer, real value

step=

Расстояние между значениями. Если в качестве аргумента позиции указан шаг, необходимо также указать начало. (необязательный)

1

integer, real value

dtype=

Тип выходного массива. Если ничего не указано, то выводится тип данных. (необязательный)

None

dtype

like=

Объект, от которого будет взят тип данных.(необязательный)

None

array-like

Теперь, когда у вас есть глубокое понимание всех различных параметров функции arange в NumPy, давайте начнем рассматривать, как вы можете создать последовательность чисел.

Использование диапазона NumPy для создания числовой последовательности

Функция arange() в NumPy имеет только один обязательный параметр: параметр stop. По умолчанию NumPy начинает свои последовательности значений с 0 и увеличивает их на 1. Если вы передаете одно число, значения будут увеличиваться от 0 до (но не включая) указанное значение, с шагом 1.

Давайте посмотрим, как можно создать массив значений от 0 до 4:

# Создание последовательности чисел с использованием функции NumPy arange()
import numpy as np

arr = np.arange(5)
print(arr)

# Returns: [0 1 2 3 4]

Этот код создает одномерный массив с последовательностью чисел от 0 до 4 с помощью функции np.arange().

Мы видим, что функция возвращает фактический массив. Это значит, что значения генерируются в момент выполнения функции. Давайте посмотрим, как мы можем настроить массив, который генерируется, изменяя начальное значение.

Настройка начального значения с использованием диапазона NumPy

По умолчанию функция arange() в NumPy начинается с 0 и продолжается до указанного конечного значения (не включая его). Вы можете изменить начальное значение результирующего массива, передав значение в параметр

Давайте посмотрим, как мы можем создать массив, который идет от 5 до 9, используя функцию NumPy arange:

# Изменение начального значения при создании массивов с использованием функции NumPy arange()
import numpy as np

arr = np.arange(5, 10)
print(arr)

# Returns: [5 6 7 8 9]

Этот код создает одномерный массив с последовательностью чисел от 5 до 9 (включительно) с помощью функции np.arange().

В приведенном выше примере кода мы указали аргументы позиционно. Однако мы также можем использовать именованные аргументы, чтобы сделать наш код более явным:

# Изменение начального значения с использованием именованных аргументов
import numpy as np

arr = np.arange(start=5, stop=10)
print(arr)

# Returns: [5 6 7 8 9]

Этот код создает одномерный массив с последовательностью чисел от 5 до 9 (включительно) с использованием именованных аргументов start и stop функции np.arange().

В следующем разделе вы узнаете, как настроить шаговое значение, используемое при создании массивов.

Настройка значения шага с использованием диапазона NumPy

По умолчанию NumPy будет увеличивать значение массива на 1. Однако вы можете настроить это поведение, передав значение в параметр step=. Поскольку NumPy позволяет использовать типы данных для его диапазонов, мы можем создавать диапазоны, которые принимают значения с плавающей точкой.

Давайте создадим массив, значения которого начинаются с 0, заканчиваются на 10 и увеличиваются на 1,5:

# Создание массивов с разными значениями шага
import numpy as np

arr = np.arange(0, 10, 1.5)
print(arr)

# Returns: [0.  1.5 3.  4.5 6.  7.5 9. ]

Этот код создает одномерный массив с последовательностью чисел от 0 до 10 (не включая 10) с шагом 1.5 с помощью функции np.arange().

В приведенном выше коде мы объявили 0 (хотя это значение по умолчанию). Это необходимо, только если мы не укажем аргументы stop и step, используя ключевые аргументы. Давайте посмотрим, как это выглядит:

# Создание массивов с разными значениями шага с использованием именованных аргументов
import numpy as np

arr = np.arange(stop=10, step=1.5)
print(arr)

# Returns: [0.  1.5 3.  4.5 6.  7.5 9. ]

Этот код создает одномерный массив с последовательностью чисел от 0 до 10 (не включая 10) с шагом 1.5 с использованием именованных аргументов stop и step функции np.arange().

В следующем разделе мы рассмотрим различия между функцией range() в Python и функцией arange() в NumPy.

Различия между диапазоном NumPy и диапазоном Python()

На первый взгляд функции NumPy arange() и Python range() выполняют очень похожие задачи. Однако, между ними существует несколько заметных отличий. Давайте рассмотрим ключевые различия:

  • NumPy arange() генерирует массив, в то время как Python range() генерирует значения лениво. Значения в NumPy arange генерируются сразу, что может использовать больше памяти. Однако, если значения нужно получать несколько раз, это может быть более эффективно.

  • Функция NumPy arange() может работать с вещественными числами. Функция Python range() может работать только с целыми числами. Однако функция NumPy arange() может работать с различными числовыми типами данных.

  • Python range() работает быстрее при использовании в циклах for. Так как функция range() в Python генерирует элементы только по мере необходимости, ее можно использовать в циклах for для повышения эффективности.

Понимание этих ключевых различий позволяет вам принимать обоснованные решения относительно того, когда использовать ту или иную функцию.

Создание последовательностей в обратном направлении с помощью диапазона NumPy

Функция arange() в NumPy также позволяет вам использовать отрицательные значения шага. Это позволяет создавать последовательности чисел, двигаясь в обратном порядке. Это позволяет уменьшать значения в последовательности. Давайте посмотрим, как мы можем создать значения от 5 до 1, уменьшая на 1:

# Создание последовательности в обратном порядке с помощью функции NumPy arange()
import numpy as np

arr = np.arange(5, 0, -1)
print(arr)

# Returns: [5 4 3 2 1]

Этот код создает одномерный массив с последовательностью чисел от 5 до 1 (включительно) в обратном порядке с шагом -1 с помощью функции np.arange().

В следующем разделе вы узнаете, как настроить типы данных результирующих массивов.

Настройка типов данных в диапазоне NumPy

По умолчанию NumPy определяет тип данных создаваемого массива автоматически. В зависимости от типа заданных значений начала, конца или шага, NumPy решает, какой тип данных будет наилучшим выбором. Однако бывают случаи, когда необходимо явно указать, какой тип данных использовать.

Давайте посмотрим, как NumPy будет определять типы данных на основе требований функции:

# Вывод данных с плавающей запятой
import numpy as np

arr = np.arange(0, 10, 1.5)
print(arr)

# Returns: [0.  1.5 3.  4.5 6.  7.5 9. ]

Этот код создает одномерный массив с последовательностью чисел от 0 до 10 (не включая 10) с шагом 1.5. Так как шаг явно указан как число с плавающей точкой, элементы массива будут иметь тип данных с плавающей точкой.

Если вы хотите указать конкретный тип данных, вы можете использовать параметр dtype=, чтобы задать нужный тип данных. Давайте посмотрим, как мы можем указать, что хотим использовать float16 в качестве типа данных:

# Указание типа данных при использовании функции NumPy arange()
import numpy as np

arr = np.arange(0, 10, 1.5, dtype='float16')
print(arr)

# Returns: [0.  1.5 3.  4.5 6.  7.5 9. ]

Этот код создает одномерный массив с последовательностью чисел от 0 до 10 (не включая 10) с шагом 1.5 и типом данных float16.

В следующем разделе вы научитесь создавать двумерные массивы с помощью функции arange библиотеки NumPy.

Создание двумерных массивов с помощью диапазона NumPy

По умолчанию NumPy создает одномерный массив при использовании функции arange(). Однако мы можем использовать метод .reshape() для создания массива любой размерности.

Давайте посмотрим, как мы можем это сделать, используя Python и NumPy:

# Создание двумерного массива с помощью функции NumPy arange()
import numpy as np

arr = np.arange(10).reshape(2, 5)
print(arr)

# Returns: 
# [[0 1 2 3 4]
#  [5 6 7 8 9]]

Этот код создает двумерный массив размером 2x5, заполненный последовательными числами от 0 до 9 с помощью функции np.arange() и метода reshape().

Это может быть расширено для создания массивов ещё более сложных размерностей.

Часто задаваемые вопросы

Что делает функция NumPy arange()?

Функция arange() в NumPy создает последовательный массив, позволяя указать начальное значение, конечное значение и шаг. По умолчанию NumPy начинает с 0 и увеличивает значения на 1.

Чем NumPy arange() отличается от Python range()?

Функция arange в библиотеке NumPy отличается от функции range в Python тремя основными характеристиками:

  1. Она создаёт массив, а не генерирует значения ленивым способом.

  2. Позволяет использовать различные типы данных (например, числа с плавающей точкой).

  3. Может работать медленнее при итерации с помощью цикла for.

Чем NumPy arange() отличается от NumPy linspace()?

Функция linspace в NumPy создает массив с равномерно расположенными элементами между двумя значениями, автоматически рассчитывая шаг. Функция arange в NumPy позволяет указать значение шага (вместо количества элементов).

Когда следует использовать NumPy arange() вместо Python range()?

The NumPy arange() function allows for the use of data types other than integers and generates an array upon execution of the function. However, it is also less memory-efficient compared to the range() function when reuse of elements is not required.

Заключение

В этом учебнике вы научились использовать функцию arange() библиотеки NumPy для генерации последовательности чисел. Сначала вы узнали, как работает функция и как ее можно настраивать с помощью различных параметров. Затем вы научились генерировать последовательности, указывая параметры начала, остановки и шага. После этого вы научились использовать функцию творчески для указания типов данных и создания 2D массивов.

Дополнительные ресурсы

Чтобы узнать больше о смежных темах, ознакомьтесь с нижеследующими руководствами:

  • Сглаживание массива с помощью NumPy

NumPy предлагает ряд различных типов данных, таких как float и int. Чтобы узнать больше об этих типах данных, ознакомьтесь с .

официальной документацией здесь
Python range(): полное руководство с примерами
NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace
Нули NumPy: создание нулевых массивов и матриц в NumPy
Индексирование и нарезка массивов NumPy: полное руководство
Диапазон NumPy: официальная документация
Понимание функции NumPy arange()
Использование диапазона NumPy для создания числовой последовательности
Настройка начального значения с использованием диапазона NumPy
Настройка значения шага с использованием диапазона NumPy
Различия между диапазоном NumPy и диапазоном Python()
Создание последовательностей в обратном направлении с помощью диапазона NumPy
Настройка типов данных в диапазоне NumPy
Создание двумерных массивов с помощью диапазона NumPy
Часто задаваемые вопросы
Заключение
Дополнительные ресурсы