#3 Machine Learning - Who call me ??? My name is NUMPY (ai gọi tôi ??? Tên tôi là NUMPY)

Có thể bạn thích

    Bạn có thích ăn bánh không ??? Tại sao tôi hỏi vậy, vì những gì chứa đựng trong chiếc bánh không chỉ mang hương vị, tài năng của ngươi thợ mà có chứa đựng những thứ hết sức vi diệu liên quan đến Tin học và Công nghệ đấy.

    Đến giờ ăn bánh rồi. Trong tay bạn là một ổ bánh mì hình vuông được cắt thành những hình vuông nhỏ khác nhau, và điều đặc biệt thay là người đầu bếp cố tình rắc đúng một miếng nho khô vào từng ô bánh đó. Ta biết được điều gì nào? Đó là một ví dụ điển hình cho MẢNG trong tin học, cả ổ bánh mì tượng trưng cho cả bộ nhớ, những phần tử được chia nhỏ ra là các ô nhớ nhỏ cụ thể, còn miếng nho khô chính là biến, kiểu dữ liệu (số, chuỗi,...) được lập trình viên (đầu bếp) cố tình gắn vào nhằm xử lí vấn đề cũng như thực hiện và thao tác nhanh, tiện hơn. Giờ ta thấy điều kì diệu trong chiếc bánh rồi đấy, việc cắt và chia nhỏ chiếc bánh khiến ta dể ăn hơn cũng như MẢNG giúp ta dể bóc ra và sử dụng hơn. Và ta thấy rằng trên những chiếc bánh này chỉ chứa một kiểu dữ liệu duy nhất (nho khô). Thông qua đây ta đã hiểu được mảng là gì.

    Machine Learning nói riêng và Trí tuệ nhân tạo nói chung đều cần đến đến MẢNG. À, hầu hết mội mặt trận trong tin học đều cần đến MẢNG chứ !!! Đi sâu hơn vào chức năng của MẢNG trong AI giúp ta giải quyết những bài toán Tuyến Tinh, Vector,... Trong ví dụ trước tôi cũng đã sử dụng MẢNG để nạp dự liệu cho máy tính, điều này rất cần thiết vì có những dự liệu thực tế mà ta cần phải chuyển hóa thành những dự liệu mà máy có thể hiểu như chuỗi hay đặc biêt là số.

    Và đã đến lúc gọi tên anh chàng này trong Python - "NUMPY" (viết tắt của từ Numeric Python) - một thư viện "quá sá" mạnh trong việc xử lý và thao tác với MẢNG. Nó cung cấp cho chúng ta hầu như mọi phương thức để :
-  Thực hiện tính toán với MẢNG.
-   Triển khai một cách hiệu quả các mảng đa chiều
-  Thực hiện tính toán khoa học.

    Do Numpy không được cài đặt sẵn nên cần dùng phương thức sau:

pip install numpy
py -m pip install numpy

    Một số thao tác với MẢNG bằng NUMPY:
Nhưng trước tiên hãy gọi thư viện này nhé:

import numpy as np

(do numpy là một thư viện khá quen thuộc nên thường được gọi như "np")
- Tạo mảng :

a = np.array([1, 2 ,3])
>>> array[(1,2,3)]

- Xem kiểu dữ liệu của biến đã khởi tạo:

a = np.array([1, 2, 3])
print (type(a[0]))
>>> class'numpy.int64'

- Hiển thị chiều của mảng:

a = np.array([1, 2, 3])
print (x.ndim)
>>> 1

(Phần này giúp ta biết được loại mảng mà ta nhập hay xử lí thuộc loại một, hai, ba chiều)
- Tách phần tử trong mảng:

a = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 0]]) #cách tạo mảng hai chiều
print (a[0]) #in ra số phần tử trong một dòng
>>> [1,2,3,4,5]
print (a[0][:3]) #lấy ra phân tử theo vị trí mong muốn
>>> [1,2,3]

( ["số dòng"]["vị trí bắt đầu":"vị trí kế thúc"])
- Hiển thị số hàng số cột trong mảng (mảng hai chiều):

a = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 0]])
print (a.shape)
>>> (2, 5)

- Hiển thị độ dài của mảng:

a = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 0]])
print (len(a[0]))
>>> 5

- Tạo mảng đặc biệt (mảng toàn giá trị 0 hoặc 1):

a = np.zeros(5)
>>> array([0., 0., 0., 0., 0.])
b = np.ones(4)
>>> array([1., 1., 1., 1.])

Ngoài ra còn có thể khởi tạo mảng giống với số mảng nào đó đã có sẵn:

a = np.array([1, 2, 3, 4, 5])
x = np.zeros_like(a)
>>> array([0, 0, 0, 0, 0]) #số lượng giống với mảng a
y = np.ones_like(a)
>>> array([1, 1, 1, 1, 1]) #số lượng giống với mảng a

- Thực hiện phép tính trên mảng:

a = np.array([1, 2, 3, 4, 5])
b = np.array([7, 8, 9, 10, 11])
print (a*8)
>>> array([ 8, 16, 24, 32, 40])
print (a*b)
>>> array([ 7, 16, 27, 40, 55])
print (a+b)
>>> array([ 8, 10, 12, 14, 16])
print (a/b)
>>> array([0.14285714, 0.25, 0.33333333, 0.4, 0.45454545])

(số phần tử của hai mảng phải bằng nhau)

Thế là chúng ta đã dần "mổ xẻ" được chiếc bánh này rồi đấy, đón chờ những cách thao tác khác ở bài viết sau nhé !!!!!!

Bạn đã ăn và tiêu hóa được bao nhiêu phần của chiếc bánh, hãy để lại comment bên dưới nhé !!!!! :))