0-мерный массив NumPy в Python

NumPy — популярная библиотека Python для числовых вычислений, обеспечивающая поддержку массивов, а также набор математических функций для работы с этими массивами в Python. Массивы в NumPy Python могут иметь различные измерения, и понимание каждого типа измерения имеет решающее значение для эффективного манипулирования данными.

• Что такое 0-мерный массив?
• Как создать?
• Метод 1: с использованием функции array()
• Метод 2: с использованием скалярных типов
• Метод 3: с использованием функции asarray()
• Метод 4: с использованием скалярных функций
• Способ 5: с использованием специальных функций
• Свойства 0-мерных массивов

Что такое 0-мерный массив?

Массив 0d в NumPy или скаляр — это простейшая форма массива в Python, содержащая только один элемент. В отличие от многомерных массивов Python NumPy, массив numpy 0d не имеет структуры строк и столбцов, в Python он просто содержит одно значение.

Этот единственный элемент может иметь любой тип данных, включая целые числа, числа с плавающей запятой или строки.

Давайте посмотрим на нулевой(0)-мерный массив NumPy в Python.

import numpy as np

zero_dim_array = np.array(42)
print(zero_dim_array)
print("Dimension:", zero_dim_array.ndim)

Вывод: сначала нам нужно импортировать библиотеку NumPy в Python, затем мы просто используем функцию NumPy array() для создания массива в Python и просто передаем в него значение. Итак, массив содержит только одно значение внутри себя.

После создания давайте просто проверим размерность созданного нами массива: используя функцию ndim() в библиотеке Python NumPy. Функция NumPy ndim() возвращает размер массива в Python.

42
Dimension: 0

Как создать?

В Python существует множество различных методов для создания массива NumPy 0d. Давайте рассмотрим их один за другим, используя несколько наглядных примеров:

Примечание. Чтобы проверить, создали ли мы объект как 0-мерный массив NumPy в Python:

Метод 1: с использованием функции array()

Функция numpy.array() — наиболее распространенный метод создания массивов в NumPy Python. Передав одно значение и указав параметр dtype, мы можем управлять типом данных результирующего 0-мерного массива в Python.

Пример. Давайте создадим ситуацию, когда мы храним отдельные данные в виде массива NumPy в Python.

import numpy as np

latitude = np.array(40.6892, dtype=np.float64)
print("Latitude of the Statue of Liberty:", latitude)
print(type(latitude))
print("Dimension:", latitude.ndim)
print("Data Type:", latitude.dtype)

Вывод: np.array (40.6892, dtype=np.float64) создает в Python 0-мерный массив NumPy, содержащий число 40.6892. Параметр dtype=np.float64 гарантирует, что тип данных массива NumPy в Python представляет собой 64-битное число с плавающей запятой.

Latitude of the Statue of Liberty: 40.6892

Dimension: 0
Data Type: float64

Метод 2: с использованием скалярных типов

NumPy в Python предоставляет скалярные типы для разных типов данных, таких как np.int32, np.float64 и np.str_. Создание массива 0d с этими типами предполагает прямую передачу значения, которое мы хотим сохранить в массиве 0d Python.

Пример. Давайте запишем отдельные данные в виде массива в Python, используя библиотеку NumPy.

import numpy as np

temperature = np.int32(75)
print("Temperature:", temperature)
print(type(temperature))
print("Dimension:", temperature.ndim)
print("Data Type:", temperature.dtype)

Вывод: в этом примере мы использовали np.int32 для создания 0-мерного массива в NumPy Python для хранения данных. np.int32 гарантирует, что тип данных массива является 32-битным целым числом.

Temperature: 75

Dimension: 0
Data Type: int32

Метод 3: с использованием функции asarray()

Функция numpy.asarray() — это универсальный метод создания массивов из существующих данных в Python. Если вы предоставляете одно значение в качестве входных данных, оно возвращает массив NumPy 0d, содержащий это значение.

Пример: предположим, что мы вычисляем некоторые данные для компании и хотим, чтобы эти данные хранились в виде 0-мерного массива NumPy в Python.

import numpy as np

sales_tax_rate = np.asarray(8.875)
print("Sales Tax Rate:", sales_tax_rate)
print(type(sales_tax_rate))
print("Dimension:", sales_tax_rate.ndim)
print("Data Type:", sales_tax_rate.dtype)

Вывод: здесь np.asarray используется для преобразования данных в 0-мерный массив NumPy в Python. Эта функция автоматически определяет тип данных, который в данном случае является числом с плавающей запятой.

Sales Tax Rate: 8.875

Dimension: 0
Data Type: float64

Метод 4: с использованием скалярных функций

NumPy предоставляет множество функций, которые могут возвращать скалярные значения. При использовании в контексте, который приводит к одному значению, эти функции возвращают 0-мерные массивы в NumPy Python.

Пример: Предположим, нам нужно сохранить результат вычисления в формате массива в Python.

import numpy as np

scores = np.array([95, 102, 89, 110, 104])
average_score = np.mean(scores)
print("Average Score:", average_score)
print(type(average_score))
print("Dimension:", average_score.ndim)
print("Data Type:", average_score.dtype)

Вывод: здесь np.mean в Numpy Python вычисляет среднее значение массива NumPy и сохраняет результат в 0-мерном массиве. Поскольку баллы являются целыми числами, результат сохраняется в виде числа с плавающей запятой, чтобы сохранить десятичную часть среднего значения.

Average Score: 100.0

Dimension: 0
Data Type: float64

Способ 5: с использованием специальных функций

Некоторые библиотечные функции NumPy, такие как numpy.linspace() и numpy.arange(), обычно используются для создания последовательностей чисел, но их можно настроить на возврат 0-мерного массива.

Пример. Анализ и прогнозирование данных из состояния с помощью библиотеки NumPy в Python.

import numpy as np

population_next_year = np.linspace(1500, 1550, 1)
print("Predicted Population for Next Year:", population_next_year)
print(type(population_next_year))
print("Dimension:", population_next_year.ndim)
print("Data Type:", population_next_year.dtype)

Вывод: в этом примере np.linspace генерирует последовательность чисел от 1500 до 1550, но, поскольку количество выборок установлено равным 1, он напрямую возвращает начальное значение в виде 0-мерного массива NumPy в Python.

Predicted Population for Next Year: [1500.]

Dimension: 1
Data Type: float64

Свойства 0-мерных массивов

0-мерные массивы в Python NumPy имеют несколько свойств, к которым вы можете получить доступ, чтобы узнать больше о массиве. Некоторые из этих свойств включают в себя:

Пример. Вот пример, демонстрирующий эти свойства 0-мерного массива в Python:

import numpy as np

scalar = np.array(42)

print("Dimensions:", scalar.ndim)
print("Shape:", scalar.shape)
print("Size:", scalar.size)
print("Data Type:", scalar.dtype)

Выход:

Dimensions: 0
Shape:()
Size: 1
Data Type: int32