Математические алгоритмы, реализованные на интерпретируемых языках (например, Python), часто работают гораздо медленнее тех же алгоритмов, реализованных на компилируемых языках (например, Фортран, Си, Java). Библиотека NumPy предоставляет реализации вычислительныхалгоритмов (в виде функций и операторов), оптимизированные для работы с многомерными массивами. В результате любой алгоритм, который может быть выражен в виде последовательности операций над массивами (матрицами) и реализованный с использованием NumPy, работает так же быстро, как эквивалентный код, выполняемый в MATLAB[4].
Сравнение с MATLAB
NumPy можно рассматривать как свободную альтернативу MATLAB. Язык программирования MATLAB внешне напоминает NumPy: оба они интерпретируемые, оба позволяют выполнять операции над массивами (матрицами), а не над скалярами. Преимущество MATLAB в наличии большого количества пакетов («тулбоксов»), например, Simulink[англ.]. Для NumPy тоже существуют подобные «пакеты», например, библиотека SciPy предоставляет больше MATLAB-подобной функциональности, библиотека Matplotlib позволяет создавать графики в стиле MATLAB. И MATLAB, и NumPy для решения основных задач линейной алгебры используют код, основанный на коде библиотеки LAPACK.
Пример
Рассмотрим пример работы с NumPy в интерактивной оболочке IPython.
Запуск iPython из командной строки:
ipython
Код на языке Python, с использованием библиотек numpy и matplotlib:
importnumpyasnpimportmatplotlib.pyplotasplt# функция y = sin(x)x=np.linspace(0,2*np.pi,100)y=np.sin(x)# нарисовать график в виде отдельных точек, в форме "o"plt.plot(x,y,"ro")# сохранить рисунок в формат SVG plt.savefig('matplotlib_sin_x_red_dots.svg')# показать интерактивное окно с графикомplt.show()
В результате выполнения кода на языке Python и использованием библиотек NumPy и Matplotlib будет создан график, приведённый на рисунке.
График функции y=sin(x), построенный с использованием библиотек NumPy и Matplotlib
История
В 1995 году программист Jim Hugunin написал библиотеку Numeric для языка Python. Библиотека развивалась при участии многих людей, среди которых были Jim Fulton, David Ascher, Paul DuBois и Konrad Hinsen. Библиотека доступна по сей день, считается вполне стабильной и полной, но устаревшей.
Предлагалось добавить Numeric в стандартную библиотеку языка Python, но Гвидо Ван Россум (автор языка программирования Python) чётко дал понять, что код в его тогдашнем состоянии было невозможно поддерживать.
Кроме того, библиотека Numeric медленно обрабатывала большие массивы данных.
На основе библиотеки Numeric была создана библиотека NumArray. Код Numeric был полностью переписан.
Библиотека NumArray[5] обрабатывала большие массивы данных быстрее библиотеки Numeric, но малые массивы обрабатывала медленнее.
Некоторое время использовалась и библиотека Numeric, и библиотека NumArray. Последняя версия Numeric (v24.2) была выпущена 11 ноября2005 года. Последняя версия NumArray (v1.5.2) вышла 24 августа2006 года[6]. Библиотека NumArray более не рекомендуется к использованию[7].
В начале 2005 года программист Трэвис Олифант захотел объединить сообщество вокруг одного проекта и для замены библиотек Numeric и NumArray создал библиотеку NumPy. NumPy был создан на основе кода Numeric. Код Numeric был переписан так, чтобы его было легче поддерживать, и в библиотеку можно было добавить новые возможности. Возможности NumArray были добавлены в NumPy.
Изначально NumPy был частью библиотеки SciPy. Чтобы позволить другим проектам использовать библиотеку NumPy, её код был помещён в отдельный пакет.
Исходный код NumPy находится в открытом доступе. Существует большое количество документации. Имеется даже подробный «Путеводитель по NumPy»[8].
NumPy v1.3.0 выпущен 5 апреля2009 года и поддерживает Python v2.6[9]. Поддержка Python v3 была добавлена начиная с версии 1.5.0.[10]
Библиотека NumPy v.1.26.0 выпущена 16 сентября2023 года и поддерживает Python 3.12[11].
Особенностью данного релиза являются:
Андреас Мюллер, Сара Гвидо. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными = Introduction to Machine Learning with Python: A Guide for Data Scientists. — Вильямс, 2017. — 480 с. — ISBN 978-5-9908910-8-1, 978-1-449-36941-5.
Дж. Вандер Плас. Python для сложных задач. Наука о данных и машинное обучение = Python Data Science Handbook: Essential Tools for Working with Data. — Питер, 2017. — 576 с. — ISBN 978-5-496-03068-7.
