Lidsky řečeno
Seznam v Pythonu je taška: vejde se do ní cokoli a každou věc musíš vytáhnout zvlášť. Pole z NumPy je plato na vejce: všechny kusy jsou stejné, leží těsně vedle sebe a přeneseš je jedním pohybem. Když chceš zdražit celý ceník o desetinu, taky nepřepisuješ řádek po řádku. Napíšeš jeden vzorec na celý sloupec.
Proč nestačí seznam
NumPy je knihovna pro práci s velkým množstvím čísel. Stojí na ní pandas, scikit-learn i velká část strojového učení. Její základ je pole (anglicky array), tedy řada čísel stejného typu.
Seznam a pole vypadají podobně, ale chovají se jinak. Zkus stejnou operaci na obou.
import numpy as np
ceny_seznam = [100, 250, 40]
ceny_pole = np.array([100, 250, 40])
print(ceny_seznam * 2)
print(ceny_pole * 2)
print(ceny_pole * 1.21)
print(ceny_pole + np.array([1, 2, 3]))
[100, 250, 40, 100, 250, 40] [200 500 80] [121. 302.5 48.4] [101 252 43]
Řádek import numpy as np načte knihovnu pod zkratkou np. Tu používá prakticky každý, takže ji uvidíš i v cizím kódu.
Seznam vynásobený dvěma se zopakuje. Pole vynásobí každý prvek. Tomu se říká vektorizace: napíšeš operaci jednou a platí pro všechny prvky, žádný cyklus psát nemusíš. Kód je kratší a navíc rychlejší.
import time
import numpy as np
n = 1_000_000
seznam = list(range(n))
pole = np.arange(n)
start = time.perf_counter()
vysledek_seznam = [x * 2 for x in seznam]
cas_seznam = time.perf_counter() - start
start = time.perf_counter()
vysledek_pole = pole * 2
cas_pole = time.perf_counter() - start
print(f"seznam: {cas_seznam * 1000:.2f} ms")
print(f"pole: {cas_pole * 1000:.2f} ms")
print(f"pole je asi {cas_seznam / cas_pole:.0f}x rychlejší")
Přesné číslo závisí na počítači, poměr bývá výrazný. Ve vlastním projektu NumPy nainstaluješ příkazem python -m pip install numpy, tady se načte samo.
Pod kapotou · proč je pole rychlé a kdy není
ndarray je malá hlavička (ukazatel na data, dtype, shape, strides) nad souvislým blokem paměti. Seznam drží ukazatele na samostatné objekty int, každý s vlastní hlavičkou a počítadlem referencí. Univerzální funkce (ufunc) vyřeší typy jednou a pak běží ve smyčce v C, často se SIMD instrukcemi a s daty hezky v cache.
Výhoda mizí, jakmile se vrátíš do Pythonu. for x in pole bývá pomalejší než průchod seznamem, protože každý prvek se musí zabalit do nového skalárního objektu. np.vectorize je pohodlná obálka, ne zrychlení: dokumentace sama říká, že jde v zásadě o cyklus for. Pokud kód nejde vyjádřit přes ufunc, změř ho a teprve pak uvažuj o Cythonu nebo Numba.
a[::2] nic nekopíruje, jen zdvojnásobí strides, tedy skok v bajtech mezi prvky. Proto je řez konstantní operace bez ohledu na délku pole. Daň je, že výsledek už není souvislý blok a některé operace budou pomalejší.
Tvar a typ
Pole může mít víc rozměrů. Dvourozměrné pole je tabulka čísel. Tři vlastnosti řeknou skoro všechno:
shapeje tvar: kolik prvků je v každém rozměru. U tabulky nejdřív řádky, potom sloupce.ndimje počet rozměrů.dtypeje typ prvků. V jednom poli je typ pro všechny stejný.
import numpy as np
# dva dny, tři měření za den
teploty = np.array([
[3.5, 7.0, 5.5],
[2.0, 9.5, 6.0],
])
print(teploty)
print(teploty.shape)
print(teploty.ndim)
print(teploty.size)
print(teploty.dtype)
# různé typy se sjednotí
print(np.array([1, 2.5, True]))
print(np.array([1, 2.5, True]).dtype)
print(np.array([1, "dva", 3.0]))
[[3.5 7. 5.5] [2. 9.5 6. ]] (2, 3) 2 6 float64 [1. 2.5 1. ] float64 ['1' 'dva' '3.0']
Konec ukázky předvádí, co se stane, když do pole dáš různé typy. NumPy je převede na jeden společný. Čísla s desetinnou čárkou „vyhrají“ nad celými a text nad vším. Hodnoty z posledního řádku výpisu jsou pak jen písmena a počítat s nimi nejde.
Pole se málokdy píší ručně. Obvykle je vyrobí některá z těchto funkcí.
import numpy as np
print(np.zeros((2, 3))) # samé nuly, tvar 2 × 3
print(np.ones(3)) # samé jedničky
print(np.full((2, 2), 7.5)) # samá stejná hodnota
print(np.arange(0, 10, 2)) # jako range: od, do (bez), krok
print(np.linspace(0, 1, 5)) # 5 rovnoměrných bodů včetně konce
[[0. 0. 0.] [0. 0. 0.]] [1. 1. 1.] [[7.5 7.5] [7.5 7.5]] [0 2 4 6 8] [0. 0.25 0.5 0.75 1. ]
Jaký shape má np.array([[1, 2, 3], [4, 5, 6]])?
Vnější seznam má dva prvky, to jsou řádky. Každý řádek má tři čísla, to jsou sloupce. Tvar se píše od vnějšího rozměru.
Pod kapotou · výchozí int závisí na platformě
V NumPy 2 je výchozí celé číslo np.intp, tedy velikost ukazatele. Na 64bitovém Linuxu, macOS i Windows to je int64, ale v 32bitovém prostředí, včetně Pyodide v tomhle prohlížeči, int32. Zkus si print(np.array([1]).dtype). Ve starším NumPy 1.x měl int32 i 64bitový Windows, takže kód počítající s velkými součty fungoval na serveru a na vývojářově notebooku tiše přetékal. Kde záleží na rozsahu, piš dtype explicitně.
NEP 50 v NumPy 2 navíc změnil povyšování typů. Pythonní čísla jsou „slabá“ a přizpůsobí se poli: np.float32(3) + 3.0 zůstane float32, np.array([1], dtype=np.int8) + 200 skončí OverflowError, protože 200 se do int8 nevejde. Starší kód se mohl spoléhat na to, že se typ rozšíří podle hodnoty.
Indexy a řezy
V jednom rozměru funguje indexování stejně jako u seznamu. U tabulky píšeš do jedněch hranatých závorek řádek, čárku a sloupec. Dvojtečka znamená „všechno“.
import numpy as np
m = np.array([
[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12],
])
print(m[0, 2]) # řádek 0, sloupec 2
print(m[1]) # celý řádek 1
print(m[:, 0]) # celý sloupec 0
print(m[0:2, 1:3]) # první dva řádky, prostřední dva sloupce
print(m[-1, -1]) # poslední řádek, poslední sloupec
3 [5 6 7 8] [1 5 9] [[2 3] [6 7]] 12
Teď rozdíl, který stojí lidi hodiny ladění. Řez seznamu vyrobí kopii. Řez pole je jen pohled (view): jiné okno do stejných dat. Změníš-li něco přes pohled, změní se i původní pole.
import numpy as np
a = np.array([1, 2, 3, 4, 5])
pohled = a[1:4]
pohled[0] = 99
print(a)
print(pohled.base is a)
kopie = a[1:4].copy()
kopie[0] = -1
print(a)
print(kopie)
[ 1 99 3 4 5] True [ 1 99 3 4 5] [-1 3 4]
Co vypíše tento kód? a = np.array([1, 2, 3]), b = a[:2], b[0] = 9, print(a)
Řez pole data nekopíruje. b ukazuje do stejné paměti jako a, takže změna je vidět v obou. Kopii vytvoříš přes .copy().
Ceník s DPH
Napiš funkci s_dph(ceny, sazba). Dostane pole cen a sazbu jako desetinné číslo (například 0.21) a vrátí nové pole cen včetně daně. Obejdi se bez cyklu.
import numpy as np
def s_dph(ceny, sazba):
# doplň
pass
Výběr podmínkou
Porovnání pole s číslem dá pole hodnot True a False. Říká se mu maska. Když masku dáš do hranatých závorek, zůstanou jen prvky, kde je True.
import numpy as np
teploty = np.array([-3.0, 2.5, 18.0, 31.0, 7.5, -1.0])
maska = teploty < 0
print(maska)
print(teploty[maska])
print(maska.sum()) # True se počítá jako 1
print(teploty[(teploty > 0) & (teploty < 20)]) # a zároveň
print(teploty[[0, 3]]) # seznam indexů
print(np.where(teploty < 0, 0.0, teploty)) # kde platí 0, jinde původní
[ True False False False False True] [-3. -1.] 2 [ 2.5 18. 7.5] [-3. 31.] [ 0. 2.5 18. 31. 7.5 0. ]
Maska a seznam indexů vracejí kopii, na rozdíl od řezu. Přiřazení přes masku ale původní pole změní: teploty[teploty < 0] = 0 vynuluje záporné hodnoty přímo v něm.
Nadprůměrné hodnoty
Napiš funkci nad_prumerem(a), která vrátí pole prvků větších než průměr pole a, v původním pořadí.
import numpy as np
def nad_prumerem(a):
# doplň
pass
Souhrny a osa
Funkce jako sum, mean, min, max a std (směrodatná odchylka, říká, jak moc jsou hodnoty rozptýlené kolem průměru) umí počítat přes celé pole, nebo jen podél jedné osy. Osa je číslo rozměru: u tabulky je 0 směr řádků a 1 směr sloupců.
Pomůcka: osa, kterou zadáš, zmizí. Tabulka 3 × 4 po axis=0 zkolabuje na 4 čísla (jedno za sloupec), po axis=1 na 3 čísla (jedno za řádek).
import numpy as np
# řádky = prodejny, sloupce = dny
trzby = np.array([
[120, 90, 150, 80],
[200, 170, 160, 210],
[60, 75, 40, 95],
])
print(trzby.sum()) # všechno dohromady
print(trzby.sum(axis=0)) # součet za každý den
print(trzby.sum(axis=1)) # součet za každou prodejnu
print(trzby.mean(axis=1)) # průměr za prodejnu
print(trzby.argmax(axis=1)) # index nejlepšího dne v každé prodejně
1450 [380 335 350 385] [440 740 270] [110. 185. 67.5] [2 3 3]
argmax nevrací největší hodnotu, ale její pozici. Hodí se, když chceš vědět, který řádek nebo sloupec vyhrál.
Pole m má tvar (5, 3). Jaký tvar má m.mean(axis=0)?
Osa 0 zmizí a zůstane osa s délkou 3. Dostaneš průměr každého ze tří sloupců.
Nejlepší prodejna
Pole trzby má v řádcích prodejny a ve sloupcích dny. Napiš funkci nejlepsi_prodejna(trzby), která vrátí index řádku s nejvyšším celkovým součtem.
import numpy as np
def nejlepsi_prodejna(trzby):
# doplň
pass