Создание одномерного массива числовых интервалов в NumPy

• 14.10.2023
• 304
• Библиотеки Python
• NumPy

Один из наиболее распространенных шагов в научном анализе и визуализации данных - это создание числовых интервалов. В этом контексте NumPy, библиотека Python для научных вычислений, предоставляет инструмент под названием np.linspace().

Основы np.linspace()

Функция np.linspace() создает одномерный массив из равномерно распределенных значений в заданном диапазоне. Отличие от np.arange() заключается в том, что вместо задания шага вы задаете число элементов.

Базовый синтаксис

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

• start: Начальное значение диапазона.
• stop: Конечное значение диапазона.
• num: Количество равномерно распределенных образцов в диапазоне. По умолчанию 50.
• endpoint: Если True (по умолчанию), stop является последним значением в диапазоне.
• retstep: Если True, возвращает выборки и шаг между образцами.
• dtype: Тип данных выводимого массива.
• axis: Ось в результирующем массиве вдоль которой будет работать linspace().

Примеры использования

Пример 1: Простая последовательность

Давайте создадим последовательность из 10 чисел, равномерно распределенных между 0 и 1.

import numpy as np

sequence = np.linspace(0, 1, 10)
print(sequence)

# [0.         0.11111111 0.22222222 0.33333333 0.44444444 0.55555556
 0.66666667 0.77777778 0.88888889 1.        ]

Пример 2: Последовательность без конечного значения

Создание последовательности из 10 чисел, начиная с 0 и заканчивая числом, ближайшим к 1, но не включая его.

sequence_no_endpoint = np.linspace(0, 1, 10, endpoint=False)
print(sequence_no_endpoint)

# [0.  0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]

Пример 3: Получение значения шага

Если вам нужно знать расстояние между соседними значениями, вы можете получить его с помощью параметра retstep.

import numpy as np

sequence_with_step = np.linspace(0, 1, 10, retstep=True)
print(sequence_with_step)

# (array([0.        , 0.11111111, 0.22222222, 0.33333333, 0.44444444,
#        0.55555556, 0.66666667, 0.77777778, 0.88888889, 1.        ]), 0.1111111111111111)

Пример 4: Создание нелинейных последовательностей

Хотя np.linspace() создает линейные последовательности, его можно комбинировать с другими функциями для получения нелинейных последовательностей.

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

plt.plot(x, y)
plt.title("Синусоидальная кривая")
plt.xlabel("X")
plt.ylabel("sin(X)")
plt.show()

Этот пример демонстрирует создание синусоидальной кривой с использованием np.linspace() для генерации значений X.

Советы

1. Используйте np.linspace(), когда знаете, сколько точек вам нужно: В отличие от np.arange(), где вы задаете шаг между значениями, с np.linspace() вы указываете общее количество точек, которое хотите получить.
2. Будьте осторожны с округлением: Как и все числа с плавающей точкой в компьютере, значения, возвращаемые np.linspace(), могут подвергаться небольшому округлению. Всегда проверяйте результаты, особенно если точность критически важна для вашей задачи.

Различия между np.linspace() и np.arange()

Хотя и np.linspace(), и np.arange() создают последовательности, они имеют разные фокусы:

• np.linspace(): фокусируется на количестве элементов. Вы определяете начало и конец диапазона, а также сколько точек вы хотите между этими конечными точками.
• np.arange(): фокусируется на шаге между значениями. Вы определяете начало, конец и шаг между значениями.

Частые ошибки

• Путаница с параметрами: Начинающие часто путаются с порядком параметров в np.linspace() и np.arange(). Важно помнить, что в np.linspace() третий аргумент - это количество точек, а не шаг.
• Ожидание целых чисел: np.linspace() по умолчанию возвращает числа с плавающей точкой. Если вам нужны целые числа, убедитесь, что вы задали правильный тип данных с помощью параметра dtype.

Заключение

np.linspace() — это универсальный инструмент в мире научных вычислений на Python. С его помощью можно легко и быстро создавать числовые последовательности для анализа, визуализации и моделирования. С надежным пониманием этой функции и ее возможностей вы значительно расширите свой арсенал инструментов для работы с данными.