Bu modulda NumPy kutubxonasining poydevori qo’yildi: array nima, uni qanday yaratish, tuzilishini qanday o’qish va elementlariga qanday murojaat qilish.

NumPy nima va nega kerak

NumPy (Numerical Python) — sonli hisob-kitoblar uchun asosiy Python kutubxonasi. Uning markaziy tushunchasi ndarray — bir xil turdagi elementlarni xotirada zich saqlaydigan ko’p o’lchovli massiv. Oddiy Python listidan farqli, NumPy amallari butun massiv ustida birdaniga, C tilida yozilgan tez kod bilan bajariladi — bunga vektorlashgan amal deyiladi.

import numpy as np

narxlar = np.array([120, 340, 95, 410])
print(narxlar * 1.12)

Natija:

[134.4 380.8 106.4 459.2]

Xuddi shu ishni list bilan qilish uchun sikl yozish kerak bo’lardi. Katta hajmdagi ma’lumotda (million element) NumPy o’nlab-yuzlab barobar tez ishlaydi.

Ko’p uchraydigan xato — import numpy deb yozib, keyin np.array ishlatish: NameError: name 'np' is not defined. Hamma joyda qabul qilingan uslub — import numpy as np.

Array yaratish

Arrayni tayyor listdan yoki maxsus funksiyalar bilan yaratish mumkin:

a = np.array([1, 2, 3])          # listdan
z = np.zeros((2, 3))             # 2x3, hammasi 0.0
o = np.ones(4)                   # [1. 1. 1. 1.]
r = np.arange(2, 10, 2)          # [2 4 6 8] — 10 kirmaydi!
l = np.linspace(0, 1, 5)         # [0.   0.25 0.5  0.75 1.  ]

arange(start, stop, step) xuddi range kabi ishlaydi — stop qiymati natijaga kirmaydi. linspace(start, stop, n) esa aksincha: ikkala chetni ham qo’shib, oraliqni teng n nuqtaga bo’ladi. Bu ikkisini adashtirish — eng ko’p uchraydigan boshlang’ich xato.

Yana bir tuzoq: np.array(1, 2, 3) deb yozish TypeError beradi — funksiya bitta list kutadi: np.array([1, 2, 3]).

Shakl va o’lcham: shape, ndim, size, dtype

Har bir array o’zining tuzilishi haqidagi ma’lumotni atributlarda saqlaydi:

m = np.array([[1, 2, 3, 4],
              [5, 6, 7, 8],
              [9, 10, 11, 12]])
print(m.shape)   # (3, 4)  — 3 qator, 4 ustun
print(m.ndim)    # 2       — o'lchamlar soni
print(m.size)    # 12      — jami elementlar
print(m.dtype)   # int64   — element turi

shape — tuple: (qatorlar, ustunlar). size doim shape elementlarining ko’paytmasiga teng (3 × 4 = 12). dtype bitta butun arrayga tegishli: NumPy’da bitta arrayda aralash turlar bo’lmaydi — np.array([1, "a"]) hamma elementni matnga aylantirib yuboradi, bu ko’pincha kutilmagan xato manbai.

Indekslash va kesish

Indekslash listdagidek, lekin ko’p o’lchovli arrayda vergul bilan qisqa yoziladi:

m[0, 2]      # 1-qator, 3-ustun -> 3
m[1]         # butun 2-qator -> [5 6 7 8]
m[:, 0]      # butun 1-ustun -> [1 5 9]
m[0:2, 1:3]  # yuqori 2 qator, o'rtadagi 2 ustun
m[-1]        # oxirgi qator

Muhim farq: kesim (slice) nusxa emas, ko’rinish (view) qaytaradi. Ya’ni kesimni o’zgartirsangiz, asl array ham o’zgaradi:

a = np.array([1, 2, 3, 4, 5])
b = a[1:4]
b[0] = 99
print(a)

Natija:

[ 1 99  3  4  5]

Mustaqil nusxa kerak bo’lsa — a[1:4].copy(). Bu xato jimgina o’tib ketadi (hech qanday ogohlantirish yo’q), shuning uchun uni bilish ayniqsa muhim.

List va ndarray taqqoslash

Amaliyot

1. 0 dan 100 gacha 5 qadam bilan array yarating (arange), so’ng xuddi shu oraliqni linspace bilan 21 nuqtaga bo’ling — ikkala natijani solishtiring.
2. Haftalik harorat ma’lumotini (7 ta son) array qiling: shape, size va dtype ni chiqaring, so’ng faqat ish kunlari (dastlabki 5 element) kesimini oling.
3. 4×5 o’lchamli nol matritsa yarating, uning 1-qatorini birlarga, oxirgi ustunini 9 ga tenglang.
4. a = np.arange(10) dan b = a[2:7] kesim oling, b[0] = 100 deb o’zgartiring va a nima bo’lganini tushuntiring; keyin xuddi shuni .copy() bilan takrorlang.
5. 3×3 matritsada burchakdagi 4 ta elementni bitta kesim ifodasi bilan oling (m[::2, ::2]).

Modulni yakunlash uchun keyingi darsdagi testni ishlang.