Вот код для печати версии NumPy на Python:

import numpy as np
print(np.__version__)

Этот код импортирует библиотеку NumPy, а затем распечатывает версию, используя атрибут __version__.

Введение

Вы устали писать длинные циклы и бороться с манипуляциями с данными в Python? Не смотрите дальше! В этой статье мы погрузимся в мощный мир NumPy и исследуем множество методов, которые могут значительно улучшить ваши задачи по манипулированию данными. Итак, пристегнитесь и приготовьтесь произвести революцию в своем коде!

1. Создание массивов NumPy

Давайте начнем с создания массивов NumPy — фундаментальных строительных блоков манипулирования данными. NumPy предоставляет различные методы для быстрого и эффективного создания массивов. Вот несколько примеров:

import numpy as np
# Creating an array from a list
my_list = [1, 2, 3, 4, 5]
my_array = np.array(my_list)
# Creating an array filled with zeros
zeros_array = np.zeros(5)
# Creating an array filled with ones
ones_array = np.ones((3, 2))
# Creating an array with a range of values
range_array = np.arange(0, 10, 2)

2. Операции с массивами

Когда у нас есть массивы, пришло время раскрыть возможности операций с массивами NumPy. Эти операции позволяют нам выполнять поэлементные вычисления над массивами без написания явных циклов. Посмотрите несколько интересных примеров:

import numpy as np
# Element-wise addition
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
result = array1 + array2
# Element-wise multiplication
result = array1 * array2
# Element-wise square root
result = np.sqrt(array1)
# Element-wise logarithm
result = np.log(array1)

3. Индексирование и нарезка массивов

NumPy предоставляет мощные возможности индексации и нарезки, упрощая доступ к определенным элементам или подмассивам внутри массива и манипулирование ими. Давайте посмотрим:

import numpy as np
# Accessing a single element
my_array = np.array([1, 2, 3, 4, 5])
element = my_array[2]
# Accessing a subarray
sub_array = my_array[1:4]
# Modifying elements in-place
my_array[0] = 10
# Multidimensional array indexing
my_matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
element = my_matrix[1, 2]
# Slicing a submatrix
sub_matrix = my_matrix[0:2, 1:3]

4. Матричные операции

NumPy превосходно справляется с матричными операциями. Он предоставляет эффективные методы умножения матриц, транспонирования и многого другого. Давайте рассмотрим несколько примеров:

import numpy as np
# Matrix multiplication
matrix1 = np.array([[1, 2], [3, 4]])
matrix2 = np.array([[5, 6], [7, 8]])
result = np.matmul(matrix1, matrix2)
# Matrix transposition
matrix = np.array([[1, 2, 3], [4, 5, 6]])
transposed_matrix = np.transpose(matrix)
# Matrix determinant
matrix = np.array([[1, 2], [3, 4]])
determinant = np.linalg.det(matrix)

Заключение

Поздравляем! Теперь вы изучили различные методы, позволяющие повысить эффективность манипулирования данными Python с помощью NumPy. Мы рассмотрели создание массивов, выполнение операций с массивами, индексирование и нарезку, а также матричные операции. Имея в своем арсенале эти инструменты, вы сможете с легкостью решать сложные задачи с данными. Итак, приступайте к изучению огромных возможностей NumPy в своих проектах!