kubapok/2024-programowanie-w-pythonie-public

kubapok 5ceed1d6b5 zajecia3 i zajecia4

2024-12-07 11:54:47 +01:00

46 KiB

Raw Blame History

import numpy as np

NumPy

wymiary

arr = np.array([1, 2, 3, 4, 5, 6, 7])

print(arr)

[1 2 3 4 5 6 7]

type(arr)

numpy.ndarray

type(arr)

numpy.ndarray

np.array(123).shape

()

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

arr.shape

(2, 3)

print(arr)

[[1 2 3]
 [4 5 6]]

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

arr.shape

(2, 2, 3)

print(arr)

[[[1 2 3]
  [4 5 6]]

 [[1 2 3]
  [4 5 6]]]

zadanie 1

Utwórz jednowymiarową tablicę zawierającą liczby od 10 do 20 włącznie. Wyświetl:
- Tablicę,
- Jej kształt (shape),
- Jej typ (type).
Utwórz macierz 3x2 o elementach (10,20,30,40,50,60) i wyświetl:
- Tablicę,
- Jej kształt (shape),
- Jej typ (type).

dostęp do elementów

arr = np.array([[1,2,3,4,5], [6,7,8,9,10]])

print(arr)

[[ 1  2  3  4  5]
 [ 6  7  8  9 10]]

arr[1,2]

arr[1,-2]

arr[1,2:4]

array([8, 9])

arr[1,2:]

array([ 8,  9, 10])

arr[1,:]

array([ 6,  7,  8,  9, 10])

arr[0,:]

array([1, 2, 3, 4, 5])

arr[0,2:4]

array([3, 4])

zadanie 2

Utwórz dwuwymiarową tablicę NumPy o wymiarach (3,3) zawierającą liczby od 1 do 9.
Wykonaj następujące operacje na tablicy:
- Wyświetl element znajdujący się w drugim wierszu
- Wyświetl wszystkie elementy znajdujące się w drugim wierszu
- Wyświetl wszystkie elementy znajdujące się w drugiej kolumnie
- Wyświetl macierz, ale bez pierwszego wiersza i bez pierwszej kolumny

Typy danych

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

print(arr.dtype)

int64

arr = np.array(['apple', 'banana', 'cherry'])

print(arr.dtype)

<U6

arr = np.array(['apple', 'banana', 'cherrycherry'])

print(arr.dtype)

<U12

arr = np.array(['apple', 'banana', 'cherry'], dtype='U30')

print(arr.dtype)

<U30

import numpy as np

# typ ASCII
arr = np.array([1, 2, 3, 4], dtype='S')
arr.dtype

dtype('S1')

arr = np.array([1, 2, 3, 4], dtype='i4')

print(arr)
print(arr.dtype)

[1 2 3 4]
int32

arr = np.array([1, 2, 3, 4], dtype='i2')

print(arr)
print(arr.dtype)

[1 2 3 4]
int16

arr = np.array([1, 2, 3, 4], dtype='i1')

print(arr)
print(arr.dtype)

[1 2 3 4]
int8

arr*1000000

array([1000000, 2000000, 3000000, 4000000], dtype=int32)

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

print(arr)
print(arr.dtype)

[1 2 3 4]
int64

arr*1000000

array([1000000, 2000000, 3000000, 4000000])

arr = np.array([1.1, 2.2, 3.9])

print(arr)
print(arr.dtype)

[1.1 2.2 3.9]
float64

arr = arr.astype('i')
print(arr)

[1 2 3]

arr = np.array([1, 0, 3])

newarr = arr.astype(bool)

print(newarr)
print(newarr.dtype)

[ True False  True]
bool

arr = np.array([1, 0, 3.4])

arr

array([1. , 0. , 3.4])

arr.dtype

dtype('float64')

arr = np.array([1, 0, 3.4, 'x'])

arr

array(['1', '0', '3.4', 'x'], dtype='<U32')

Zadanie 3

Instrukcja:

Utwórz tablicę NumPy zawierającą liczby całkowite od 10 do 40 z krokiem co 10. Wyświetl:
- Tablicę,
- Jej typ danych (dtype).
Zmień typ danych tablicy z punktu 1 na float32. Wyświetl:
- Zmienioną tablicę,
- Jej nowy typ danych.
Utwórz tablicę NumPy zawierającą ciągi znaków ("Python", "NumPy", "Coding"). Wyświetl:
- Tablicę,
- Jej typ danych.

Kopiowanie tablicy

arr = np.array([1, 2, 3, 4, 5])
x = arr
arr[0] = 42

arr

array([42,  2,  3,  4,  5])

array([42,  2,  3,  4,  5])

arr = np.array([1, 2, 3, 4, 5])
x = arr.copy()
arr[0] = 42

arr

array([42,  2,  3,  4,  5])

array([1, 2, 3, 4, 5])

import copy

arr = np.array([1, 2, 3, 4, 5])
x = copy.deepcopy(arr)
arr[0] = 42

arr

array([42,  2,  3,  4,  5])

array([1, 2, 3, 4, 5])

## Nowe

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

array([1, 2, 3, 4])

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

arr

array([[1, 2, 3, 4]])

arr[3]

[0;31m---------------------------------------------------------------------------[0m
[0;31mIndexError[0m                                Traceback (most recent call last)
Cell [0;32mIn[55], line 1[0m
[0;32m----> 1[0m arr[[38;5;241m3[39m]

[0;31mIndexError[0m: index 3 is out of bounds for axis 0 with size 1

arr.squeeze()

array([1, 2, 3, 4])

arr.squeeze()[3]

arr

array([[1, 2, 3, 4]])

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

arr

array([1, 2, 3, 4])

np.expand_dims(arr, axis=0)

array([[1, 2, 3, 4]])

np.expand_dims(arr, axis=1)

array([[1],
       [2],
       [3],
       [4]])

Zadanie 4

### Zadanie 4


1. Utwórz tablicę NumPy zawierającą liczby [1, 2, 3, 4, 5]. Przypisz ją do zmiennej `x` i zmień pierwszy element tablicy na 50. Wyświetl:
   - Tablicę `arr`,
   - Tablicę `x`.

2. Zrób kopię tablicy `arr` za pomocą metody `.copy()` i zmień pierwszy element tablicy `arr` na 50. Wyświetl:
   - Tablicę `arr`,
   - Tablicę `x` (po kopii).

3. Zrób  kopię tablicy `arr` przy użyciu modułu `copy.deepcopy` i zmień pierwszy element tablicy `arr` na 50. Wyświetl:
   - Tablicę `arr`,
   - Tablicę `x` (po głębokiej kopii).

4. Utwórz tablicę NumPy o wymiarach (1,4) zawierającą elementy \( [1, 2, 3, 4, 5] \) i wykonaj następujące operacje:
   - Wyświetl tablicę.
   - Zmień tablicę, aby była jednowymiarowa za pomocą metody `.squeeze()`


# Punkt 1 - Przypisanie do zmiennej
arr = np.array([1, 2, 3, 4, 5])
x = arr
arr[0] = 42
print(arr)  # Tablica arr po zmianie
print(x)    # Tablica x po zmianie

# Punkt 2 - Kopia tablicy
arr = np.array([1, 2, 3, 4, 5])
x = arr.copy()
arr[0] = 42
print(arr)  # Tablica arr po zmianie
print(x)    # Tablica x po kopii

# Punkt 3 - Głęboka kopia
arr = np.array([1, 2, 3, 4, 5])
x = copy.deepcopy(arr)
arr[0] = 42
print(arr)  # Tablica arr po zmianie

print(x)    # Tablica x po głębokiej kopii

[0;36m  Cell [0;32mIn[63], line 4[0;36m[0m
[0;31m    1. Utwórz tablicę NumPy zawierającą liczby [1, 2, 3, 4, 5]. Przypisz ją do zmiennej `x` i zmień pierwszy element tablicy na 50. Wyświetl:[0m
[0m       ^[0m
[0;31mSyntaxError[0m[0;31m:[0m invalid syntax

Reshape jeszcze raze

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
print(arr)
newarr = arr.reshape(4, 3)
print(newarr)

[ 1  2  3  4  5  6  7  8  9 10 11 12]
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

newarr = arr.reshape(4, 2)
print(newarr)

[0;31m---------------------------------------------------------------------------[0m
[0;31mValueError[0m                                Traceback (most recent call last)
Cell [0;32mIn[65], line 1[0m
[0;32m----> 1[0m newarr [38;5;241m=[39m arr[38;5;241m.[39mreshape([38;5;241m4[39m, [38;5;241m2[39m)
[1;32m      2[0m [38;5;28mprint[39m(newarr)

[0;31mValueError[0m: cannot reshape array of size 12 into shape (4,2)

newarr = arr.reshape(4, -1)
print(newarr)

[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

newarr = arr.reshape(-1, 2)
print(newarr)

[[ 1  2]
 [ 3  4]
 [ 5  6]
 [ 7  8]
 [ 9 10]
 [11 12]]

Zadanie 5

Utwórz tablicę NumPy zawierającą liczby [1, 2, 3, ..., 10] o wymiarach (2,5). Wyświetl:
- Tablicę (2,5)
Zmień kształt tablicy na (5,2) za pomocą metody reshape. Wyświetl ją.
Zmień kształt tablicy na (10,1) za pomocą metody reshape. Wyświetl ją
Użyj wartości -1 w jednym z wymiarów w metodzie reshape, aby automatycznie dostosować pozostałe wymiary na (5,-1)
Utwórz tablicę o wymiarach (5,1,2,1) na podstawie powyższego przykładu

Obliczenia wektorowe i macierzowe

x = np.array([1,2,4])
y = np.array([100,101,102])

x+y

array([101, 103, 106])

x+100

array([101, 102, 104])

x*100

array([100, 200, 400])

x = np.array([[1,2,4], [10,11,12]])

array([[ 1,  2,  4],
       [10, 11, 12]])

element-wise multiplication

x*100

array([[ 100,  200,  400],
       [1000, 1100, 1200]])

array([[ 1,  2,  4],
       [10, 11, 12]])

array([100, 101, 102])

x*x

array([[  1,   4,  16],
       [100, 121, 144]])

x*y

array([[ 100,  202,  408],
       [1000, 1111, 1224]])

mnożenie macierzy, iloczny skalarny

dot product- iloczyn skaralny dla wektorów mnożenie macierzowe - dla macierzy

array([100, 101, 102])

y.dot(y)

y@y

np.matmul(y,y)

array([[ 1,  2,  4],
       [10, 11, 12]])

x.dot(x)

[0;31m---------------------------------------------------------------------------[0m
[0;31mValueError[0m                                Traceback (most recent call last)
Cell [0;32mIn[84], line 1[0m
[0;32m----> 1[0m x[38;5;241m.[39mdot(x)

[0;31mValueError[0m: shapes (2,3) and (2,3) not aligned: 3 (dim 1) != 2 (dim 0)

x.shape

(2, 3)

y.shape

(3,)

x.dot(y)

array([ 710, 3335])

x @ y

array([ 710, 3335])

np.matmul(x,y)

array([ 710, 3335])

array([[ 1,  2,  4],
       [10, 11, 12]])

x[:,1:]

array([[ 2,  4],
       [11, 12]])

np.matmul(x[:,1:] , x[:,1:])

array([[ 48,  56],
       [154, 188]])

array([[ 1,  2,  4],
       [10, 11, 12]])

x.T

array([[ 1, 10],
       [ 2, 11],
       [ 4, 12]])

Zadanie 6

Utwórz dwie tablice jednowymiarowe x i y:
- x zawiera liczby ( [3, 5, 7] ),
- y zawiera liczby ( [50, 60, 70] ).
Wykonaj następujące operacje i wyświetl wyniki:
- Dodaj tablicę x i y.
- Dodaj do każdego elementu tablicy x liczbę 10.
- Pomnóż każdy element tablicy x przez 5.
Utwórz dwuwymiarową tablicę z zawierającą:

\begin{bmatrix} 3 & 5 & 7 \\ 8 & 10 & 12 \\

10 & 10 & 10 \\ \end{bmatrix}

Następnie wykonaj następujące operacje:
- Pomnóż macierzowo x i z
- Oblicz iloczyn skalrny x i y

## Tworzenie macierzy zerowych, jednostkowych, itp

np.zeros((10,10))

array([[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])

np.ones((10,10))

array([[1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]])

np.ones((10,10)) * 123

array([[123., 123., 123., 123., 123., 123., 123., 123., 123., 123.],
       [123., 123., 123., 123., 123., 123., 123., 123., 123., 123.],
       [123., 123., 123., 123., 123., 123., 123., 123., 123., 123.],
       [123., 123., 123., 123., 123., 123., 123., 123., 123., 123.],
       [123., 123., 123., 123., 123., 123., 123., 123., 123., 123.],
       [123., 123., 123., 123., 123., 123., 123., 123., 123., 123.],
       [123., 123., 123., 123., 123., 123., 123., 123., 123., 123.],
       [123., 123., 123., 123., 123., 123., 123., 123., 123., 123.],
       [123., 123., 123., 123., 123., 123., 123., 123., 123., 123.],
       [123., 123., 123., 123., 123., 123., 123., 123., 123., 123.]])

np.eye(10)

array([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 1., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]])

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

for x in arr:
  for y in x:
    print(y)

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

for i in range(len(arr)):
  for j in range(len(arr[i])):
    print(arr[i,j])

46 KiB Raw Blame History Unescape Escape

NumPy

wymiary

zadanie 1

dostęp do elementów

zadanie 2

Typy danych

Zadanie 3

Instrukcja:

Kopiowanie tablicy

Zadanie 4

Reshape jeszcze raze

Zadanie 5

Obliczenia wektorowe i macierzowe

element-wise multiplication

mnożenie macierzy, iloczny skalarny

Zadanie 6

46 KiB

Raw Blame History