{"id":138,"date":"2020-12-20T14:21:25","date_gmt":"2020-12-20T14:21:25","guid":{"rendered":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/?post_type=chapter&p=138"},"modified":"2020-12-28T20:07:57","modified_gmt":"2020-12-28T20:07:57","slug":"numpy-uhemootmelised-jarjendid","status":"publish","type":"chapter","link":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/chapter\/numpy-uhemootmelised-jarjendid\/","title":{"raw":"NumPy \u00fchem\u00f5\u00f5tmelised j\u00e4rjendid","rendered":"NumPy \u00fchem\u00f5\u00f5tmelised j\u00e4rjendid"},"content":{"raw":"Sageli on vaja anal\u00fc\u00fcsida andmetabeli \u00fcht veergu v\u00f5i rida, n\u00e4iteks leida veeru aritmeetiline keskmine. Selleks saab kasutada NumPy \u00fchem\u00f5\u00f5tmelised j\u00e4rjendeid.\r\n

J\u00e4rjendi loomine<\/h2>\r\nK\u00f5igepealt proovime NumPy abil luua \u00fchem\u00f5\u00f5tmelisi j\u00e4rjendeid. NumPy kasutamiseks, peab selle Pythonis importima k\u00e4suga import numpy as np<\/code>, kus np<\/code> on levinud l\u00fchend selle mooduli kasutamiseks. Programmis ei pea pikalt kirjutama v\u00e4lja numpy<\/code>, vaid saab kasutada l\u00fchendit np<\/code>. J\u00e4rjendi saab NumPy abil luua array<\/code> funktsiooni kasutades. V\u00f5rreldes tavalise Pythoniga, kus j\u00e4rjendi elemendid lisatakse nurksulgude vahele, on NumPy erinev. NumPy puhul kasutatakse j\u00e4rjendit array<\/code> funktsiooni argumendina ehk np.array(j\u00e4rjend)<\/code>.\r\n
# NumPy j\u00e4rjendi loomine ja v\u00e4ljastamine\r\nimport numpy as np\r\n\r\nx = np.array([1, 2, 3])\r\nprint(x)<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [1 2 3]<\/pre>\r\n\u00a0! <\/span>\u00a0NumPy programmis puuduvad j\u00e4rjendi v\u00e4ljastamisel elementide vahel komad, n\u00e4iteks [1 2 3].<\/span>\r\n\r\nLisaks on v\u00f5imalik luua j\u00e4rjend arange<\/code> funktsiooni kasutades, mis on v\u00e4ga sarnane range<\/code> funktsiooniga, kus esimene parameeter on sammu algus, teine sammu l\u00f5pp ja kolmas on sammu pikkus. Ka arange<\/code> funktsiooni puhul ei kuulu sammu l\u00f5pp loodud j\u00e4rjendi elementide hulka.\r\n
x = np.arange(5)\r\nprint(x)<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [0 1 2 3 4]<\/pre>\r\n
x = np.arange(1, 10, 2)\r\nprint(x)<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [1 3 5 7 9]<\/pre>\r\nErinevalt tavalisest Pythoni range<\/code> funktsioonist, mille argumendid peavad olema t\u00e4isarvud,\u00a0 v\u00f5ivad arange<\/code> funktsiooni argumentideks olla ka ujukomaarvud.\r\n
x = np.arange(0, 3.5, 0.4)\r\nprint(x)<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [0.\u00a0 0.4 0.8 1.2 1.6 2.\u00a0 2.4 2.8 3.2]<\/pre>\r\n\u00a0! <\/span>\u00a0Numpy j\u00e4rjendis ei kuvata v\u00e4ljastamisel nulle koma j\u00e4rel.<\/span>\r\n\r\nLisaks saab luua j\u00e4rjendeid kasutades linspace<\/code> funktsiooni, mis v\u00f5ib olla eriti kasulik jooniste loomisel. Selle funktsiooni abil saab luua j\u00e4rjendi, milles on teatud arv elemente mingist vahemikust \u00fchtlase intervalli j\u00e4rgi. N\u00e4iteks tahame, et j\u00e4rjendis oleks 5 arvu l\u00f5igust 0-10 ja need arvud on v\u00f5rdsel kaugusel \u00fcksteisest arvteljel.\r\n
x = np.linspace(0, 10, num=5)\r\nprint(x)<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [ 0. \u00a0 2.5\u00a0 5. \u00a0 7.5 10. ]<\/pre>\r\n[h5p id=\"28\"]\r\n
J\u00e4rjendi suurus<\/h2>\r\nJ\u00e4rjendi suuruse leidmine on sarnane Pythonile. Kui Pythonis on k\u00e4sk len(j\u00e4rjend)<\/code>, siis NumPys kasutatakse funktsiooni size<\/code> ja n\u00e4eb see v\u00e4lja nii (olgu j\u00e4rjendi nimi x<\/code>):\r\n
# NumPy j\u00e4rjendi elementide arvu leidmine ja v\u00e4ljastamine\r\n\r\nx = np.array([1, 2, 3])\r\nprint(\"J\u00e4rjendi suurus: \", x.size)<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  J\u00e4rjendi suurus:\u00a0 3<\/pre>\r\n
J\u00e4rjendi t\u00fc\u00fcbi muutmine<\/h2>\r\nV\u00e4ga lihtsalt saab Numpy j\u00e4rjendi dtype<\/code> parameetrit kasutades muuta j\u00e4rjendi t\u00fc\u00fcpi. N\u00e4iteks soovime muuta j\u00e4rjendi elemendid ujukomaarvudeks.\r\n
int \u2192 float:<\/pre>\r\n
x = np.array([1, 2, 3], dtype=float)\r\nprint(x)<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [1. 2. 3.]<\/pre>\r\n
float \u2192 bool:<\/pre>\r\n
x = np.array([1., 0., 6.], dtype=bool)\r\nprint(x)<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [True False True]<\/pre>\r\n\u00a0! <\/span>\u00a0Arv 0 on alati False, \u00fclej\u00e4\u00e4nud arvud on alati True<\/code>.<\/span>\r\n\r\nSamanimelise funktsiooni abil saab ka j\u00e4rjendi t\u00fc\u00fcbi teada.\r\n
x = np.array([1, 2, 3, 4])\r\nprint(x.dtype)<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  int64<\/pre>\r\nJ\u00e4rjend x<\/code> on t\u00e4isarvu t\u00fc\u00fcpi, mille suurus on 64-bitti, mida t\u00e4histatakse int64. See t\u00e4hendab seda, et j\u00e4rjendi elemendid v\u00f5ivad olla t\u00e4isarvud vahemikust -9223372036854775808 kuni 9223372036854775807 (-263 <\/sup>kuni 263<\/sup>-1). T\u00e4isarvud v\u00f5ivad olla ka 32-bitised (int32). Kuna suuremahuliste andmete t\u00f6\u00f6tlemisel on oluline ka ressursside haldamine nagu arvuti m\u00e4lu jne, siis saab t\u00fc\u00fcpide koode kasutades t\u00e4pselt m\u00e4\u00e4rata, kui palju m\u00e4lu ressurssi v\u00f5ivad andmed kasutada ja sellep\u00e4rast lisatakse sageli ka suurus juurde.\r\n\r\nSelleks, et t\u00e4psemalt m\u00e4\u00e4rata andmet\u00fc\u00fcbi suurus, kasutatakse NumPy j\u00e4rjendi t\u00fc\u00fcpidena ka spetsiaalsed s\u00f5nena esitatavaid t\u00fc\u00fcpide koode. Koodi esimene t\u00e4ht on vastava t\u00fc\u00fcbi kood ja teine arv, mis t\u00e4histab selle suurust bittides (v. a UNICODE). M\u00f5ned neist on toodud j\u00e4rgnevas tabelis.\r\n
\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n
Kood<\/strong><\/td>\r\nT\u00e4hendus<\/strong><\/td>\r\n<\/tr>\r\n
'i4'<\/code><\/td>\r\n32-bitine t\u00e4isarv<\/td>\r\n<\/tr>\r\n
'f8'<\/code><\/td>\r\n64-bitine ujukomaarv<\/td>\r\n<\/tr>\r\n
'S24'<\/code><\/td>\r\n24-biti pikkune s\u00f5ne<\/td>\r\n<\/tr>\r\n
'U25'<\/code><\/td>\r\n25-UNICODE t\u00e4hem\u00e4rgi pikkune s\u00f5ne<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n<\/div>\r\n \r\n\r\nN\u00e4iteks loome j\u00e4rjendi, mille elemendid on 64-bitised ujukomaarvud.\r\n
x = np.array([1, 2, 3], dtype=\"f8\")\r\nprint(x)<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [1. 2. 3.]<\/pre>\r\nEriti kasulik on esitatud t\u00fc\u00fcpide koode kasutada siis, kui anal\u00fc\u00fcsitakse andmetabelit, milles on erinevat t\u00fc\u00fcpi andmeid, nii teksti kui ka arve. T\u00e4psemalt vaata peat\u00fcki Kahem\u00f5\u00f5tmelised j\u00e4rjendid<\/em> alapeat\u00fckki CSV failist lugemine<\/em>.\r\n\r\nKui on vaja muuta juba olemasoleva j\u00e4rjendi t\u00fc\u00fcpi, siis seda saab teha, kasutades astype<\/code> funktsiooni.\r\n
x = np.array([1, 2, 3])\r\ny = x.astype(bool)\r\nprint(y)<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [ True\u00a0 True\u00a0 True]<\/pre>\r\n ","rendered":"
Sageli on vaja anal\u00fc\u00fcsida andmetabeli \u00fcht veergu v\u00f5i rida, n\u00e4iteks leida veeru aritmeetiline keskmine. Selleks saab kasutada NumPy \u00fchem\u00f5\u00f5tmelised j\u00e4rjendeid.<\/p>\n
J\u00e4rjendi loomine<\/h2>\n
K\u00f5igepealt proovime NumPy abil luua \u00fchem\u00f5\u00f5tmelisi j\u00e4rjendeid. NumPy kasutamiseks, peab selle Pythonis importima k\u00e4suga import numpy as np<\/code>, kus np<\/code> on levinud l\u00fchend selle mooduli kasutamiseks. Programmis ei pea pikalt kirjutama v\u00e4lja numpy<\/code>, vaid saab kasutada l\u00fchendit np<\/code>. J\u00e4rjendi saab NumPy abil luua array<\/code> funktsiooni kasutades. V\u00f5rreldes tavalise Pythoniga, kus j\u00e4rjendi elemendid lisatakse nurksulgude vahele, on NumPy erinev. NumPy puhul kasutatakse j\u00e4rjendit array<\/code> funktsiooni argumendina ehk np.array(j\u00e4rjend)<\/code>.<\/p>\n
# NumPy j\u00e4rjendi loomine ja v\u00e4ljastamine\r\nimport numpy as np\r\n\r\nx = np.array([1, 2, 3])\r\nprint(x)<\/pre>\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [1 2 3]<\/pre>\n
\u00a0! <\/span>\u00a0NumPy programmis puuduvad j\u00e4rjendi v\u00e4ljastamisel elementide vahel komad, n\u00e4iteks [1 2 3].<\/span><\/p>\n
Lisaks on v\u00f5imalik luua j\u00e4rjend arange<\/code> funktsiooni kasutades, mis on v\u00e4ga sarnane range<\/code> funktsiooniga, kus esimene parameeter on sammu algus, teine sammu l\u00f5pp ja kolmas on sammu pikkus. Ka arange<\/code> funktsiooni puhul ei kuulu sammu l\u00f5pp loodud j\u00e4rjendi elementide hulka.<\/p>\n
x = np.arange(5)\r\nprint(x)<\/pre>\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [0 1 2 3 4]<\/pre>\n
x = np.arange(1, 10, 2)\r\nprint(x)<\/pre>\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [1 3 5 7 9]<\/pre>\n
Erinevalt tavalisest Pythoni range<\/code> funktsioonist, mille argumendid peavad olema t\u00e4isarvud,\u00a0 v\u00f5ivad arange<\/code> funktsiooni argumentideks olla ka ujukomaarvud.<\/p>\n
x = np.arange(0, 3.5, 0.4)\r\nprint(x)<\/pre>\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [0.\u00a0 0.4 0.8 1.2 1.6 2.\u00a0 2.4 2.8 3.2]<\/pre>\n
\u00a0! <\/span>\u00a0Numpy j\u00e4rjendis ei kuvata v\u00e4ljastamisel nulle koma j\u00e4rel.<\/span><\/p>\n
Lisaks saab luua j\u00e4rjendeid kasutades linspace<\/code> funktsiooni, mis v\u00f5ib olla eriti kasulik jooniste loomisel. Selle funktsiooni abil saab luua j\u00e4rjendi, milles on teatud arv elemente mingist vahemikust \u00fchtlase intervalli j\u00e4rgi. N\u00e4iteks tahame, et j\u00e4rjendis oleks 5 arvu l\u00f5igust 0-10 ja need arvud on v\u00f5rdsel kaugusel \u00fcksteisest arvteljel.<\/p>\n
x = np.linspace(0, 10, num=5)\r\nprint(x)<\/pre>\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [ 0. \u00a0 2.5\u00a0 5. \u00a0 7.5 10. ]<\/pre>\n
\n