#5 Introduzione a Python: NumPy

NumPy

Numpy è una libreria open source per il linguaggio di programmazione Python, che aggiunge supporto a grandi matrici e array multidimensionali insieme a una vasta collezione di funzioni matematiche di alto livello per poter operare efficientemente su queste strutture dati

Sito ufficiale: www.numpy.org

Ndarray class

Un oggetto ndarray è un array n-dimensionale (tensore)

Simile ad una lista Python ma:

 - tutti gli elementi di un array devono essere dello stesso tipo (tipicamente int o float)

 - sono molto più efficienti e pensati per dati n-dimensioni (con n grande)

Generare un array

Un array viene creato tramite il metodo costruttore array()

Due argomenti

 - una lista contenente i valori

 - una specifica del tipo di dato
 

a = np.array([1,4,5,8], float)

>>> import numpy as np
>>> print(np.zeros(2))	
[0. 0.]
>>> print(np.one( (2,2) )
[[1. 1.]
[1.	1.]]
>>> print(np.zeros( (2,2,2) )
[[[0. 0.]
 [0. 0.]]
[[0. 0.]
 [0. 0.]]]

Generare random array

import numpy as np
print(np.random.uniform(0,10,size=5))
print(np.random.normal(1,0.2,size=5))
print(np.random.randint(0,2,size=(3,3)))
[7.91700684	7.41652128	8.1393401	0.8123227	5.50427964]
[1.14191823	0.89203955	1.09505607	0.8081311	0.82282836]
[[	0	0	0]
 [	0	1	0]
 [	0	1	1]]

Matrici diagonali

import numpy as np
print(np.diag(np.ones(3))
[[	1.	0.	0.]
 [	0.	1.	0.]
 [	0.	0.	1.]]
print(np.diag(np.arange(5)))
[[	0	0	0	0	0]
 [	0	1	0	0	0]
 [	0	0	2	0	0]
 [	0	0	0	3	0]
 [	0	0	0	0	4]]

Da Pandas a Numpy

E' molto semplice "convertire" una pandas series o un DataFrame in un array numpy

questi oggetti di Pandas sono costruiti su numpy array: il loro array sottostante è accessibile attraverso l'attributo values

import pandas as pd
import numpy as np
iris=pd.read_csv("iris.csv")
print(type(iris.PetalWidth.values))
<type'numpy.ndarray'>

Metodi reshape(), ravel()

La disposizione delle voci in righe, colonne, ecc. può essere modificata con i metodi:

reshape() trasforma la shape dell'array

ravel() trasforma in un array 1D (una copia è fatta solo se necessario)

>>> a=np.arange(6).reshape((3,2))
>>> a
array([[0,1],
       [2,3],
       [4,5]])

>>> x=np.array([[1,2,3],[4,5,6]])
>>> np.ravel(x)
array([1,2,3,4,5,6])

>>> x.reshape(-1)
array([1,2,3,4,5,6])

Iterating over arrays

Oggetto iterabile nditer

>>> a=np.arange(6).reshape(2,3)
>>> for x in np.nditer(a):
  		print(x,end=' ')
...
0 1 2 3 4 5

Attenzione: di default, numpy sceglie come ordine quello che rende più efficiente l'accesso all'elemento (=segue il memory layout dell'array, ovvero l'ordine con cui gli elementi sono salvati in memoria)

Esempio matrice trasposta:

>>> a=np.arange(6).reshape(2,3)
>>> for x in np.nditer(a.T):
  		print(x, end=' ')
...
0 1 2 3 4 5

>>> for x in np.nditer(a.T.copy(order='C')):
  		print(x,end=' ')
...
0 3 1 4 2 5

Modificare i valori di un array

Di default, l'oggetto iterabile nditer non consente la modifica dell'array (read-only object)

Per modificarlo occorre usare i flag readwrite o writeonly

Il nditer produrrà quindi un writable buffer array

Poichè il nditer deve copiare questi dati del buffer nell'array originale al termine dell'iterzione, è necessario segnalare quando termina l'iterazione, mediante:

l'istruzione with

il metodo close()

Una volta che uno di questi metodi è chiamato viene eseguito il write-back

>>> a=np.arange(6).reshape(2,3)
>>> a
array([[0,1,2],
       [3,4,5]])
>>> with np.nditer(a, op_flags=['readwrite']) as it:
  		for x in it:
      		x[...]=2*x
...
>>> a
array([[0,2,4],
       [6,8,10]])

External loop

In realtà con gli array numpy non è molto conveniente iterare su un singolo elemento alla volta.

Per questo esistono gli external loop che lavorano su chunk di dati

Forzando 'c' o 'F' otteniamo diversi external loop size

>>> a=np.arange(6).reshape(2,3)
>>> for x in np.nditer(a, flags=['external_loop']):
  		print(x,end=' ')
...
[0 1 2 3 4 5]

>>> for x in np.nditer(a, flags=['external_loop'], order='F'):
  		print(x,end=' ')
...
[0 3] [1 4] [2 5]

Broadcasting Array Iteration

>>> a=np.arange(3)
>>> b=np.arange(6).reshape(2,3)
>>> for x,y in np.nditer([a,b]):
  		print("%d:%d" % (x,y), end=' ')
...
0:0 1:1 2:2 0:3 1:4 2:5

Indexing

Un elemento di una lista si accede: x[i][j]

Un elemento di un numpy array si accede x[i,j]

import numpy as np
x=np.arange(9).reshape((3,3))
print(x)
print(x[0,:])	#first row
print(x[:,0])	#first column
print(x[1:3, :])#subarray

Operazioni broadcasting

import numpy as np
x=np.arange(5)*10
print(x)	# [0 10 20 30 40]
y=-x
print(y)	# [0 -10 -20 -30 -40]
x=x+y
print(z)	# [0 0 0 0 0]