cb
ABCD
  • NumPy Эхлэх
  • NumPy Массив үүсгэх
  • NumPy Массивын индексжүүлэлт
  • NumPy Массив үүсгэх /Slicing/
  • NumPy Өгөгдлийн төрөл /Data Type/
  • NumPy Массив Хуулбарлах VS Үзүүлэх
  • NumPy массивын хэмжээ /Shape/
  • NumPy Массивын хэмжээсийн өөрчлөх /Reshaping/
  • NumPy Массивыг давтах /Iterating/
  • NumPy Массивыг нэгтгэх /Join Array/
  • NumPy Массивыг хуваах /Split/
  • NumPy Массиваас хайх /Search/
  • NumPy Массивыг эрэмбэлэх /Sorting/
  • Массив шүүх /Filter/
  • NumPy Санамсаргүй тоо /Random Number/
  • NumPy Санамсаргүй өгөгдөл түгээх /Data Distribution/
  • Санамсаргүй сэлгээ /Random Permutations/
  • NumPy Seaborn модуль
  • NumPy Хэвийн тархалт /Normal Distribution/
  • NumPy Салангид тархалт /Binomial Distribution/
  • NumPy Салангид тархалт /Poisson Distribution/
  • NumPy Жигэд тархалт /Uniform Distribution/
тохиргоо
Толгой хэсэг
Хажуугийн самбар
Үндсэн контент
НЭВТРЭХ

NumPy бол массивтай ажиллахад ашигладаг python-ын сан юм.
Энэ нь шугаман алгебр, фурье хувиргалт, матриц, домэйнд ажиллах чиг үүрэгтэй.
NumPy нь Numerical Python буюу тоон фаятон гэсэн үг юм.


NymPy-г яагаад ашиглах ёстой вэ?

Python-д массив, жагсаалтууд байдаг ч их хэмжээний үр дүнг боловсруулахад удаан байдаг.
Тэгвэл NumPy нь уламжлалт Python-н массив, жагсаалтаас 50 дахин хурдан массив объектыг хангах зорилготой юм.
NumPy дээр массив объектыг ndarray гэж нэрлэдэг. ndarray-тэй ажиллахад маш хялбар байх болно.
Data science буюу дата өгөгдөлд дүн шинжилгээ хийхэд массивыг маш ихээр ашигладаг. Иймд хурд болон нөөц маш чухал юм.

Data science буюу дата өгөгдөл: нь мэдээлэл цуглуулах, хадгалах, ашиглах, дүн шинжилгээ хийх талаар судалдаг компьютерийн шинжлэх ухааны салбар юм.


NymPy яагаад Lists буюу жагсаалтаас илүү хурдан байдаг вэ?

ndarray буюу NumPy массивууд нь жагсаалтаас ялгаатай нь санах ойд тасралтгүй нэг газар хадгалагддаг тул процессууд тэдгээрт маш үр дүнтэй хандаж, зохицуулж ажиллаж чаддаг.

Энэ үйлдлийг компьютерын шинжлэх ухаанд нутагшуулалт гэж нэрлэдэг.

Ингэсэнээр NumPy нь жагсаалтаас хурдан болсоны гол шалтгаан юм. Мөн CPU-н сүүлийн үеийн архитектуртай ажиллах оновчтой шийдэл болжээ.


NymPy-г ямар хэл дээр бичсэн вэ?

NumPy нь python-н сан бөгөөд Python дээр бичигдсэн байдаг боловч хурдан тооцоолол хийх шаардлагатай ихэнх хэсгүүдийг С болон С++ програмчлалын хэл дээр бичигджээ.


NymPy-н эх код хаана байдаг вэ?

NumPy-ийн эх код нь github агуулахад байрладаг https://github.com/numpy/numpy

github: нь олон програмистуудад ижил кодын суурь дээр ажиллах боломжийг олгодог.


Хичээлийн агуулга
NumPy Эхлэх
NumPy Массив үүсгэх
NumPy Массивын индексжүүлэлт
NumPy Массив үүсгэх /Slicing/
NumPy Өгөгдлийн төрөл /Data Type/
NumPy Массив Хуулбарлах VS Үзүүлэх
NumPy массивын хэмжээ /Shape/
NumPy Массивын хэмжээсийн өөрчлөх /Reshaping/
NumPy Массивыг давтах /Iterating/
NumPy Массивыг нэгтгэх /Join Array/
NumPy Массивыг хуваах /Split/
NumPy Массиваас хайх /Search/
NumPy Массивыг эрэмбэлэх /Sorting/
Массив шүүх /Filter/
NumPy Санамсаргүй тоо /Random Number/
NumPy Санамсаргүй өгөгдөл түгээх /Data Distribution/
Санамсаргүй сэлгээ /Random Permutations/
NumPy Seaborn модуль
NumPy Хэвийн тархалт /Normal Distribution/
NumPy Салангид тархалт /Binomial Distribution/
NumPy Салангид тархалт /Poisson Distribution/
NumPy Жигэд тархалт /Uniform Distribution/
ABCD.mn ©

Нөхцөл & Шаардлага

1. General

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas ultrices, justo vel imperdiet gravida, urna ligula hendrerit nibh, ac cursus nibh sapien in purus. Mauris tincidunt tincidunt turpis in porta. Integer fermentum tincidunt auctor.

2. Account

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas ultrices, justo vel imperdiet gravida, urna ligula hendrerit nibh, ac cursus nibh sapien in purus. Mauris tincidunt tincidunt turpis in porta. Integer fermentum tincidunt auctor.

3. Service

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas ultrices, justo vel imperdiet gravida, urna ligula hendrerit nibh, ac cursus nibh sapien in purus. Mauris tincidunt tincidunt turpis in porta. Integer fermentum tincidunt auctor.

4. Payments

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Maecenas ultrices, justo vel imperdiet gravida, urna ligula hendrerit nibh, ac cursus nibh sapien in purus. Mauris tincidunt tincidunt turpis in porta. Integer fermentum tincidunt auctor.