Что такое NumPy?

NumPy — это фундаментальный пакет для научных вычислений в Python. Это библиотека Python, предоставляющая многомерный массив объектов, различные производные объекты (такие как маскированные массивы и матрицы), а также набор функций для быстрых операций над массивами, включая математические, логические, манипуляции с формой, сортировку, выбор, ввод/вывод, дискретные преобразования Фурье, базовые линейную алгебру, базовые статистические операции, генерацию случайных чисел и многое другое.

В основе пакета NumPy лежит объект ndarray. Он обобщает n-мерные массивы однородных типов данных, причём многие операции выполняются на предварительно скомпилированном коде для повышения производительности. Существуют некоторые важные различия между массивами NumPy и стандартными Python последовательностями:

• Массивы NumPy имеют фиксированный размер при создании, в отличие от списков Python (которые могут динамически расширяться). Изменение размера ndarray создаст новый массив и удалит исходный.
• Элементы в массиве NumPy должны иметь один и тот же тип данных и, следовательно, будут иметь одинаковый размер в памяти. Исключение: можно иметь массивы (Python, включая NumPy) объектов, что позволяет создавать массивы с элементами разного размера.
• Массивы NumPy облегчают продвинутые математические и другие типы операций над большими объемами данных. Обычно такие операции выполняются более эффективно и с меньшим объемом кода, чем при использовании встроенных последовательностей Python.
• Растущее количество научных и математических пакетов на базе Python используют массивы NumPy; хотя они обычно поддерживают ввод данных в виде Python-последовательностей, они преобразуют такой ввод в массивы NumPy перед обработкой, и они часто выдают массивы NumPy. Другими словами, для эффективного использования большинства современных научных/математических программ на Python недостаточно знать, как использовать встроенные типы последовательностей Python – необходимо также уметь использовать массивы NumPy.

Аспекты размера и скорости последовательностей особенно важны в научных вычислениях. В качестве простого примера рассмотрим случай умножения каждого элемента 1-мерной последовательности на соответствующий элемент в другой последовательности той же длины. Если данные хранятся в двух списках Python, a и b, мы могли бы перебирать каждый элемент:

c = []
for i in range(len(a)):
    c.append(a[i]*b[i])

Это дает правильный ответ, но если a и b содержат миллионы чисел, мы будем платить за неэффективность циклов в Python. Мы могли бы выполнить ту же задачу намного быстрее на C, написав (для ясности мы пренебрегаем объявлениями переменных и инициализацией, выделением памяти и т. д.):

for (i = 0; i < rows; i++) {
  c[i] = a[i]*b[i];
}

Это экономит все накладные расходы, связанные с интерпретацией кода Python и манипулированием объектами Python, но за счёт этого теряются преимущества программирования на Python. Кроме того, объём кода увеличивается с размерностью наших данных. Например, в случае 2-мерного массива код на C (сокращённый, как и раньше) расширяется до

for (i = 0; i < rows; i++) {
  for (j = 0; j < columns; j++) {
    c[i][j] = a[i][j]*b[i][j];
  }
}

NumPy даёт нам лучшее из обоих миров: элементные операции являются «режим по умолчанию», когда участвует ndarray, но элементная операция быстро выполняется предварительно скомпилированным кодом C. В NumPy

c = a * b

выполняет те же действия, что и предыдущие примеры, с почти скоростью C, но с простотой кода, ожидаемой от чего-то, основанного на Python. Действительно, обозначение NumPy ещё проще! Этот последний пример иллюстрирует два свойства NumPy, которые являются основой большей части его возможностей: векторизация и широковещательные передачи.