Хочешь уверенно проходить IT-интервью?
Мы понимаем, как сложно подготовиться: стресс, алгоритмы, вопросы, от которых голова идёт кругом. Но с AI тренажёром всё гораздо проще.
💡 Почему Т1 тренажёр — это мастхэв?
- Получишь настоящую обратную связь: где затык, что подтянуть и как стать лучше
- Научишься не только решать задачи, но и объяснять своё решение так, чтобы интервьюер сказал: "Вау!".
- Освоишь все этапы собеседования, от вопросов по алгоритмам до диалога о твоих целях.
Зачем листать миллион туториалов? Просто зайди в Т1 тренажёр, потренируйся и уверенно удиви интервьюеров. Мы не обещаем лёгкой прогулки, но обещаем, что будешь готов!
Реклама. ООО «Смарт Гико», ИНН 7743264341. Erid 2VtzqwP8vqy
← Часть 23
Часть 25 →
NumPy – одна из самых популярных библиотек для инженерных и научных вычислений в Python: она содержит множество методов для работы с многомерными массивами и матрицами и отличается высокой скоростью обработки больших объемов данных. Мощная функциональность NumPy используется в нескольких других популярных библиотеках – Pandas, SciPy, Matplotlib, Scikit-learn и TensorFlow.
Основные сферы применения
NumPy используется везде, где нужна быстрая обработка больших массивов данных:
- Инженерные и научные вычисления в области физики, математики, биологии, химии и т.д.
- Обработка изображений и звука – изменение размера, применение фильтров, сжатие и т.п.
- Машинное обучение, искусственный интеллект и Data Science – обработка и статистический анализ данных.
- Компьютерное зрение – распознавание образов и сегментация изображений.
- Финансовые вычисления – расчет доходности активов и инвестиций, риск-менеджмент, оценка дисконтированной стоимости и т.д.
- Геофизические и геологические исследования – обработка геоданных и анализ графиков.
Массив ndarray
NumPy может работать с данными из списков, кортежей и словарей, однако основная цель библиотеки – предоставление мощного инструментария для работы с многомерными массивами и матрицами. Все, что можно сделать с массивами (сортировку, фильтрацию, изменение формы, все виды статистического анализа, любые вычисления и т.п.), NumPy делает максимально просто и эффективно.
Массивы NumPy используют меньше памяти и работают быстрее, чем обычные списки Python: инструменты библиотеки, для которых критична скорость, реализованы на C/C++. Кроме того, NumPy использует собственный тип данных, который называется ndarray (n-размерным массивом). Сравним быстродействие обычного Python кода и метода NumPy на примере сложения двух матриц 1000 х 1000:
import numpy as np
import time
# Определяем две матрицы размером 1000x1000 со случайными целыми числами от 0 до 9
A = np.random.randint(0, 10, size=(1000, 1000))
B = np.random.randint(0, 10, size=(1000, 1000))
# Сложение матриц средствами Python
start_time = time.time()
C = [[A[i][j] + B[i][j] for j in range(len(A[0]))] for i in range(len(A))]
end_time = time.time()
# Сложение матриц с помощью NumPy
start_time_np = time.time()
D = A + B
end_time_np = time.time()
# Выводим результаты и время выполнения
print(f"Время выполнения Python сложения: {end_time - start_time} сек")
print(f"Время выполнения NumPy сложения: {end_time_np - start_time_np} сек")
# Сравниваем результаты
print("Результаты совпадают:", np.array_equal(C, D))
Результат:
Время выполнения Python сложения: 1.432081937789917 сек
Время выполнения NumPy сложения: 0.004000186920166016 сек
Результаты совпадают: True
Ключевые особенности ndarray:
- Однородность. Все элементы массива относятся к одному типу данных. Это позволяет сделать все операции с ndarray быстрыми и экономичными.
- Многомерность. Массивы NumPy могут иметь любое количество измерений. С помощью одномерного массива можно представить список значений, двумерного – таблицу, трехмерного – изображение, четырехмерного – видео.
- Фиксированная размерность. Размерность массива нельзя изменить после его создания. Если нужен массив другой размерности, необходимо создать новый.
- Эффективность. Массивы NumPy поддерживают проведение множества операций над всеми элементами одновременно, что делает их более эффективными, чем обычные списки Python.
- Удобные методы. NumPy предоставляет обширный выбор методов для всевозможных манипуляций над массивами – от сортировки и фильтрации до изменения формы.
🐍 Библиотека питониста
Больше полезных материалов вы найдете на нашем телеграм-канале «Библиотека питониста»
🐍🎓 Библиотека собеса по Python
Подтянуть свои знания по Python вы можете на нашем телеграм-канале «Библиотека собеса по Python»
🐍🧩 Библиотека задач по Python
Интересные задачи по Python для практики можно найти на нашем телеграм-канале «Библиотека задач по Python»
Как создать массив в NumPy
NumPy предоставляет несколько способов создания массивов, вот основные:
import numpy as np
# Создание массива из списка
a = np.array([1, 2, 3, 4, 5])
print(a)
# Создание двумерного массива из списка списков
b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(b)
# Создание массива из диапазона значений
c = np.arange(0, 10, 2) # Создаем массив из значений от 0 до 10 с шагом 2
print(c)
# Создание массива из равномерно распределенных значений
d = np.linspace(0, 1, 5) # Создаем массив из 5 равномерно распределенных значений от 0 до 1
print(d)
# Создание массива из случайных значений
e = np.random.rand(3, 3) # Создаем массив из 3x3 случайных значений
print(e)
# Создание массива из нулей
f = np.zeros((2, 3)) # Создаем массив из нулей размером 2x3
print(f)
# Создание массива из единиц
g = np.ones((3, 3)) # Создаем массив из единиц размером 3x3
print(g)
Результат:
[1 2 3 4 5]
[[1 2 3]
[4 5 6]
[7 8 9]]
[0 2 4 6 8]
[0. 0.25 0.5 0.75 1. ]
[[0.66777626 0.88439902 0.22572609]
[0.09556062 0.40293789 0.58901436]
[0.33380993 0.20922535 0.42657995]]
[[0. 0. 0.]
[0. 0. 0.]]
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
Основные операции с массивами
Продемонстрируем базовые операции на примере двумерного массива:
import numpy as np
# Создаем двумерный массив
arr = np.array([[1, 2], [3, 4], [5, 6]])
# Выводим массив на экран
print(arr)
# Получаем размерность массива
print(arr.shape)
# Получаем элементы массива
print(arr[0, 1]) # Выведет 2
print(arr[2, 0]) # Выведет 5
# Изменяем элементы массива
arr[0, 1] = 7
arr[1, 1] = 8
arr[2, 1] = 9
print(arr)
# Выводим строку
print(arr[1]) # Выведет [3 8]
# Выводим столбец
print(arr[:, 0]) # Выведет [1 3 5]
# Выводим срез
print(arr[:2, 1]) # Выведет [7 8]
Результат:
[[1 2]
[3 4]
[5 6]]
(3, 2)
2
5
[[1 7]
[3 8]
[5 9]]
[3 8]
[1 3 5]
[7 8]
Методы NumPy позволяют легко проводить любые манипуляции над массивами и получать всевозможную статистическую информацию о них:
import numpy as np
# Создаем два массива размером 6x6 со случайными целыми числами от 0 до 9
a = np.random.randint(1, 10, size=(6, 6))
b = np.random.randint(1, 10, size=(6, 6))
# Выводим массивы на экран
print("Массив a:\n", a)
print("Массив b:\n", b)
# Вычитаем массивы
d = a - b
print("Разность массивов a и b:\n", d)
# Умножение массивов
m = np.dot(a, b)
print("Произведение массивов a и b:\n", m)
# Деление массивов (умножение на обратную матрицу)
# Вычисляем обратную матрицу b
b_inv = np.linalg.inv(b)
# Умножаем матрицу a на обратную матрицу b_inv
result = np.dot(a, b_inv)
print("Результат деления массива a на b:\n", result)
# Транспонируем массивы
h = np.transpose(a)
i = np.transpose(b)
print("Массив a после транспонирования:\n", h)
print("Массив b после транспонирования:\n", i)
# Получаем статистические параметры массивов
std_a = np.std(a) # Стандартное отклонение массива a
median_b = np.median(b) # Медиана массива b
variance_a = np.var(a) # Дисперсия массива a
min_b = np.min(b) # Минимальное значение массива b
max_a = np.max(a) # Максимальное значение массива a
sum_b = np.sum(b) # Сумма элементов массива b
product_a = np.product(a, dtype=np.uint64) # Произведение элементов массива a
prod_b = np.prod(b, dtype=np.uint64) # Еще один метод вычисления произведения элементов
print("Стандартное отклонение массива a:", std_a)
print("Медиана массива b:", median_b)
print("Дисперсия массива a:", variance_a)
print("Минимальное значение массива b:", min_b)
print("Максимальное значение массива a:", max_a)
print("Сумма элементов массива b:", sum_b)
print("Произведение элементов массива a:", product_a)
print("Произведение элементов массива b:", prod_b)
Результат:
Массив a:
[[2 2 3 9 8 2]
[4 7 6 6 1 5]
[6 8 5 7 6 7]
[5 3 2 6 5 5]
[8 5 3 7 3 3]
[5 8 2 6 1 1]]
Массив b:
[[4 1 6 4 9 4]
[6 8 2 2 3 4]
[2 4 9 9 7 6]
[9 4 2 9 2 3]
[5 8 4 7 9 8]
[2 7 4 6 9 9]]
Разность массивов a и b:
[[-2 1 -3 5 -1 -2]
[-2 -1 4 4 -2 1]
[ 4 4 -4 -2 -1 1]
[-4 -1 0 -3 3 2]
[ 3 -3 -1 0 -6 -5]
[ 3 1 -2 0 -8 -8]]
Произведение массивов a и b:
[[151 144 101 188 153 143]
[139 151 128 175 165 151]
[189 215 163 232 244 218]
[131 136 106 163 170 147]
[152 133 123 171 176 142]
[133 116 84 121 113 99]]
Результат деления массива a на b:
[[-5.55598908e-01 -1.94654702e+00 4.39719079e-01 -6.62504877e-01
5.72922357e+00 -3.83066719e+00]
[-2.90479906e-01 1.16172454e+00 8.37690207e-01 3.86071011e-01
-1.83749512e+00 1.11451424e+00]
[ 4.77955521e-03 6.06808428e-01 2.70971518e-01 2.91162700e-01
-3.96898166e-01 5.81057355e-01]
[ 3.19791260e-01 -5.26238783e-02 -2.67752634e-01 6.75039017e-01
-7.08788529e-01 1.02033750e+00]
[ 5.16972298e-02 2.57315646e-01 1.34998049e-01 5.37065938e-01
4.00897386e-01 -4.29379633e-01]
[-1.07915529e+00 -1.51531409e-01 7.47073742e-01 -5.26092470e-01
3.97107881e+00 -3.19444986e+00]]
Массив a после транспонирования:
[[2 4 6 5 8 5]
[2 7 8 3 5 8]
[3 6 5 2 3 2]
[9 6 7 6 7 6]
[8 1 6 5 3 1]
[2 5 7 5 3 1]]
Массив b после транспонирования:
[[4 6 2 9 5 2]
[1 8 4 4 8 7]
[6 2 9 2 4 4]
[4 2 9 9 7 6]
[9 3 7 2 9 9]
[4 4 6 3 8 9]]
Стандартное отклонение массива a: 2.27438772116208
Медиана массива b: 5.5
Дисперсия массива a: 5.172839506172839
Минимальное значение массива b: 1
Максимальное значение массива a: 9
Сумма элементов массива b: 197
Произведение элементов массива a: 18210394348833472512
Произведение элементов массива b: 14758432146536267776
Полезные методы NumPy
reshape() – меняет форму массива без изменения данных:
import numpy as np
# создаем массив размером 3x4
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
# используем метод reshape() для изменения формы массива на 2x6
new_arr = arr.reshape(2, 6)
print("Исходный массив:")
print(arr)
print("Массив после изменения формы:")
print(new_arr)
Результат:
Исходный массив:
[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]]
Массив после изменения формы:
[[ 1 2 3 4 5 6]
[ 7 8 9 10 11 12]]
concatenate() – объединяет массивы по строкам или по столбцам:
import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.array([[9, 10], [11, 12]])
#объединяем массивы по горизонтальной оси (по строкам)
d = np.concatenate((a, b, c), axis=1)
print(d)
#объединяем массивы по вертикальной оси (по столбцам)
e = np.concatenate((a, b, c), axis=0)
print(e)
Результат:
[[ 1 2 5 6 9 10]
[ 3 4 7 8 11 12]]
[[ 1 2]
[ 3 4]
[ 5 6]
[ 7 8]
[ 9 10]
[11 12]]
flatten() – превращает многомерный массив в одномерный:
import numpy as np
a = np.array([[1, 2, 9, 8], [7, 5, 3, 4], [2, 1, 5, 6], [4, 8, 7, 8]])
print(a.flatten())
Результат;
[1 2 9 8 7 5 3 4 2 1 5 6 4 8 7 8]
argmax() и argmin() – возвращают индексы максимального (минимального) элемента массива:
import numpy as np
a = np.array([[4, 2, 9, 89], [17, 5, 3, 14], [25, -5, 5, 6], [4, 18, 17, 8]])
print(f"Индекс максимального элемента: {np.argmax(a)}")
print(f"Индекс минимального элемента: {np.argmin(a)}")
Результат:
Индекс максимального элемента: 3
Индекс минимального элемента: 9
where() – выбирает из массива элементы, удовлетворяющие определенному условию:
import numpy as np
arr = np.array([[14, 22, 91, 19], [11, 51, 32, 14], [25, 22, 50, 60], [14, 18, 17, 28]])
# формируем новый массив из четных элементов исходного, заменяя нечетные на цифру 5
new_arr = np.where(arr % 2 == 0, arr, 5)
print(new_arr)
Результат:
[[14 22 5 5]
[ 5 5 32 14]
[ 5 22 50 60]
[14 18 5 28]]
В NumPy есть еще один метод, похожий на where() – argwhere(). Он возвращает индексы элементов, соответствующих условию, в виде массива:
import numpy as np
# Создание двумерного массива
arr = np.random.randint(0, 5, size=(5, 5))
print("Массив:")
print(arr)
result = np.argwhere(arr != 3)
print(result)
Результат:
Массив:
[[4 3 0 1 1]
[0 0 0 4 1]
[1 1 2 0 0]
[3 0 0 3 1]
[2 2 4 3 0]]
[[0 0]
[0 2]
[0 3]
[0 4]
[1 0]
[1 1]
[1 2]
[1 3]
[1 4]
[2 0]
[2 1]
[2 2]
[2 3]
[2 4]
[3 1]
[3 2]
[3 4]
[4 0]
[4 1]
[4 2]
[4 4]]
nonzero() – возвращает индексы ненулевых элементов:
import numpy as np
# Создание двумерного массива
arr = np.random.randint(0, 2, size=(5, 5))
print("Массив:")
print(arr)
result = np.nonzero(arr)
print(result)
Результат:
Массив:
[[0 1 0 0 0]
[1 1 0 1 0]
[1 0 1 0 1]
[1 0 1 1 0]
[0 1 0 1 0]]
(array([0, 1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4], dtype=int32), array([1, 0, 1, 3, 0, 2, 4, 0, 2, 3, 1, 3], dtype=int32))
unique() – возвращает уникальные элементы:
import numpy as np
# создание массива случайных чисел размером 500x500
arr = np.random.randint(low=0, high=10, size=(500, 500))
# вывод уникальных значений массива
unique_values, counts = np.unique(arr, return_counts=True)
print(arr)
print(unique_values)
print(f"Количество вхождений каждого уникального числа: {counts}")
Результат:
[[1 8 1 ... 6 3 0]
[4 5 5 ... 6 4 9]
[3 1 4 ... 2 5 8]
...
[3 5 3 ... 0 7 7]
[0 4 0 ... 8 5 4]
[6 3 5 ... 0 2 2]]
[0 1 2 3 4 5 6 7 8 9]
Количество вхождений каждого уникального числа: [25119 25042 25089 25186 24868 24888 24926 24941 24854 25087]
sort() – сортирует массив по возрастанию / убыванию:
import numpy as np
arr = np.array([3, 12, 4, 1, 5, 9, 2, 6, 15, -4, 10, -2, 0, 11, 7])
# сортировка по возрастанию
sorted_asc = np.sort(arr)
# сортировка по убыванию
sorted_des = np.sort(arr)[::-1]
print(sorted_asc)
print(sorted_des)
Результат:
[-4 -2 0 1 2 3 4 5 6 7 9 10 11 12 15]
[15 12 11 10 9 7 6 5 4 3 2 1 0 -2 -4]
diag() – возвращает диагональ матрицы. Также метод можно использовать для создания диагональной матрицы из заданных элементов:
import numpy as np
# Создание двумерного массива
arr = np.arange(16).reshape((4, 4))
print("Исходный массив:")
print(arr)
# Получение значения главной диагонали
print("\nГлавная диагональ массива:")
print(np.diag(arr))
# Создание диагональной матрицы из указанных элементов
diag_matrix = np.diag([1, 2, 3, 4, 5])
print("\nДиагональная матрица:")
print(diag_matrix)
Результат:
Исходный массив:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
Главная диагональ массива:
[ 0 5 10 15]
Диагональная матрица:
[[1 0 0 0 0]
[0 2 0 0 0]
[0 0 3 0 0]
[0 0 0 4 0]
[0 0 0 0 5]]
trace() вычисляет след матрицы, то есть сумму элементов на ее главной диагонали:
import numpy as np
# Создание двумерного массива
arr = np.random.randint(0, 10, size=(20, 20))
print("Исходный массив:")
print(arr)
# Вычисление следа матрицы
trace = np.trace(arr)
print("След матрицы:")
print(trace)
Результат:
Исходный массив:
[[0 2 9 3 8 9 6 5 4 8 2 1 9 6 0 5 9 1 4 8]
[8 1 3 1 5 8 9 4 6 7 7 3 6 5 7 3 4 6 4 7]
[4 4 9 2 8 3 1 0 9 1 7 6 6 3 5 5 3 8 5 2]
[7 9 5 9 5 5 5 4 2 2 8 5 8 8 8 1 6 9 9 0]
[5 3 8 2 3 2 6 7 8 5 2 9 7 4 7 8 3 2 8 0]
[7 1 4 8 7 0 5 6 1 5 7 2 1 5 3 7 9 3 0 1]
[9 9 1 5 3 2 9 5 4 3 2 1 9 5 5 3 5 1 0 7]
[3 8 6 0 7 0 8 8 8 7 4 6 7 3 8 0 0 7 5 8]
[3 5 5 7 6 1 0 6 3 8 0 9 7 1 3 4 1 8 3 4]
[1 9 4 3 6 3 2 4 6 2 4 3 8 5 8 5 4 5 4 8]
[5 4 2 0 9 8 1 3 8 0 9 1 6 9 4 2 0 8 3 4]
[6 4 1 4 9 8 6 0 7 7 0 1 9 3 5 3 8 7 9 2]
[9 4 9 2 5 2 8 6 0 9 0 6 4 1 7 0 6 4 2 8]
[2 6 7 2 5 1 7 0 9 9 4 8 2 1 8 6 8 9 3 0]
[1 8 3 8 2 6 3 0 0 0 4 0 1 4 2 4 3 2 8 9]
[3 9 2 6 6 7 8 4 3 6 6 0 1 6 2 8 8 6 8 7]
[6 2 1 3 0 1 6 5 7 6 8 6 4 5 3 9 3 1 3 2]
[6 2 9 4 4 8 1 3 1 8 1 2 4 9 8 2 3 9 7 8]
[1 2 8 7 4 6 9 5 4 9 3 9 2 8 3 8 1 8 2 3]
[9 8 6 2 5 9 9 6 3 0 6 5 6 5 7 7 7 9 4 7]]
След матрицы:
90
Интересные возможности NumPy
Все возможности библиотеки можно рассмотреть только в объемной книге, поэтому приведем лишь несколько примеров.
Эффективное хранение и быстрая загрузка данных
NumPy поддерживает загрузку данных из файлов различных форматов. Так, например, можно сохранить массив и загрузить его из текстового файла (txt, csv, json):
import numpy as np
data = np.array([[1, 2, 3], [4, 5, 6]])
np.savetxt("data.txt", data, delimiter=",")
data = np.loadtxt("data.txt", delimiter=",", dtype=np.int32)
print(data)
Однако при работе с очень большими объемами информации стоит использовать собственные бинарные форматы NumPy – npy и npz: они экономят до 50% места на диске и загружаются быстрее, чем любые текстовые файлы.
Так сохраняют и загружают npy файлы:
import numpy as np
data = np.array([[1, 2, 3], [4, 5, 6]])
np.save("data.npy", data)
loaded_data = np.load("data.npy")
print(loaded_data)
Обработка изображений
С помощью NumPy изображения можно представить в виде трехмерных массивов, где каждый пиксель является результатом смешивания красного, зеленого и синего цветов (RGB). А четырехмерные массивы можно использовать для работы с изображениями с альфа-каналом (RGBA). Возьмем любое цветное изображение:
И обработаем его:
import numpy as np
from PIL import Image
# загрузка изображения
img = np.array(Image.open('image.jpeg'))
# преобразование в черно-белое изображение
img_gray = np.mean(img, axis=2).astype(np.uint8)
# преобразование цветных каналов
img_R = img.copy()
img_R[:, :, (1, 2)] = 0
img_G = img.copy()
img_G[:, :, (0, 2)] = 0
img_B = img.copy()
img_B[:, :, (0, 1)] = 0
# объединение изображений
img_1 = Image.fromarray(img_gray)
img_2 = Image.fromarray(img_R)
img_3 = Image.fromarray(img_G)
img_4 = Image.fromarray(img_B)
result = Image.new("RGB", (img.shape[1]*2, img.shape[0]*2))
result.paste(img_1, (0,0))
result.paste(img_2, (img.shape[1],0))
result.paste(img_3, (0,img.shape[0]))
result.paste(img_4, (img.shape[1],img.shape[0]))
result.save("result.png", format="PNG")
Приведенный выше код загружает изображение в массив NumPy, после чего:
- Преобразует его в черно-белое изображение при помощи функции np.mean().
- Последовательно преобразует оригинальную картинку в изображения, которые содержат только красный, зеленый и синий цветовые каналы.
- Создает четыре объекта Image.fromarray() из соответствующих массивов NumPy и объединяет их в одно изображение при помощи метода paste().
В итоге мы получаем разноцветный коллаж, где первая четверть – черно-белая, а остальные три – красная, зеленая и синяя:
Визуализация данных
NumPy (вместе с Matplotlib) отлично визуализирует большие объемы данных. На Yahoo Finance можно скачать исторические данные о стоимости любых акций и криптовалют. Скачаем, к примеру, csv файл с информацией о стоимости Litecoin за последние 5 лет. Код для визуализации цен закрытия будет выглядеть так:
import numpy as np
import matplotlib.pyplot as plt
# Загрузка данных из файла
data = np.genfromtxt('litecoin.csv', delimiter=',', skip_header=1, usecols=(1, 2, 3, 4, 5, 6))
# Разделение данных на столбцы
open_prices, high_prices, low_prices, close_prices, adj_close_prices, volumes = data.T
# Создание графика цены закрытия
plt.plot(close_prices)
# Настройка осей
plt.xlabel('Месяцы')
plt.ylabel('Цена закрытия')
plt.title('Стоимость Litecoin за период с июля 2018 по июнь 2023')
# Установка значений на оси x
n = len(close_prices)
step = n // 10
plt.xticks(range(0, n, step))
# Отображение графика
plt.show()
Результат:
Практика
Задание 1
Напишите программу, которая:
- Генерирует NumPy-массив 10х10, заполненный случайными числами от 1.01 до 9.99.
- Выводит главную диагональ.
- Выводит статистические данные о массиве – среднее значение, минимальный и максимальный элементы, медиану, дисперсию и стандартное отклонение.
Пример вывода:
Массив:
[[5.72 2.78 4.21 5.61 1.26 9.61 2.87 7.08 4.86 9.71]
[6.37 4.92 8.99 4.77 2.5 4.91 3.64 5.54 6.35 1.04]
[1.63 4.35 8.56 4.86 2.32 1.77 9.76 4.52 5.09 4.05]
[2.55 3.3 6.57 7.27 4.08 2.77 6.53 5.04 4.69 2.99]
[7.65 5.2 7.27 5.48 3.38 1.9 1.68 4.87 4.81 9.96]
[3.65 5.97 2.92 2.13 3.58 6.24 4.53 9.06 3.64 4.35]
[4.95 1.84 2.98 1.98 1.47 7.65 2.09 3.01 2.2 2.71]
[9.44 3.26 6.6 6.44 6.45 5.9 2.36 3.96 7.21 9.18]
[3.23 3.12 7.19 6.69 6.9 8.4 7.67 3.71 1.93 6.07]
[6.48 2.57 5.52 5.8 2.32 7.07 9.22 2.43 4.43 4.05]]
Среднее значение: 4.90
Минимальный элемент: 1.04
Максимальный элемент: 9.96
Медиана: 4.79
Стандартное отклонение: 2.31
Дисперсия: 5.32
Диагональ:
[5.72 4.92 8.56 7.27 3.38 6.24 2.09 3.96 1.93 4.05]
import numpy as np
# генерация массива 10 на 10 случайных чисел в интервале от 1.01 до 9.99
arr = np.random.uniform(low=1.01, high=9.99, size=(10,10))
# округление элементов массива до 2 знаков
arr = np.around(arr, decimals=2)
# вывод массива
print(f"Массив: \n{arr}")
# вывод статистической информации
print(f"\nСреднее значение: {arr.mean():.2f}")
print(f"Минимальный элемент: {np.min(arr):.2f}")
print(f"Максимальный элемент: {np.max(arr):.2f}")
print(f"Медиана: {np.median(arr):.2f}")
print(f"Стандартное отклонение: {np.std(arr):.2f}")
print(f"Дисперсия: {np.var(arr):.2f}")
# вывод диагонали массива
print(f"\nДиагональ: \n{np.diag(arr)}")
Задание 2
Для пункта проката велосипедов нужно написать программу, которая определит самый прибыльный сезон.
Пример вывода:
Самый прибыльный сезон - лето
import numpy as np
# Данные о прокате велосипедов за каждый месяц сезона
spring_rentals = np.array([11362, 11489, 12842])
summer_rentals = np.array([15401, 16562, 17728])
autumn_rentals = np.array([14994, 13851, 12784])
winter_rentals = np.array([840, 950, 1210])
# Вычисление общего количества прокатов велосипедов для каждого сезона
total_spring_rentals = np.sum(spring_rentals)
total_summer_rentals = np.sum(summer_rentals)
total_autumn_rentals = np.sum(autumn_rentals)
total_winter_rentals = np.sum(winter_rentals)
# Вычисление среднего количества прокатов велосипедов для каждого сезона
average_spring_rentals = np.mean(spring_rentals)
average_summer_rentals = np.mean(summer_rentals)
average_autumn_rentals = np.mean(autumn_rentals)
average_winter_rentals = np.mean(winter_rentals)
# Создание массива средних значений
average_rentals = np.array([average_spring_rentals, average_summer_rentals, average_autumn_rentals, average_winter_rentals])
# Определение самого прибыльного сезона
most_profitable_season = np.argmax(average_rentals)
seasons = ['весна', 'лето', 'осень', 'зима']
print(f"Самый прибыльный сезон - {seasons[most_profitable_season]}")
Задание 3
Компания «ГрузАвто» производит грузовики на 4 заводах. Отчет о выполнении производственного плана по месяцам и заводам можно представить в виде массива:
[
# Январь, Февраль, Март, Апрель, Май, Июнь, Июль, Август, Сентябрь, Октябрь, Ноябрь, Декабрь
[1000, 1200, 1500, 1350, 1400, 1300, 1250, 1450, 1300, 1550, 1600, 1700], # Завод 1
[800, 900, 1000, 950, 1000, 1100, 1200, 1150, 1000, 1100, 1200, 1300], # Завод 2
[1200, 1300, 1250, 1400, 1500, 1600, 1650, 1700, 1600, 1550, 1500, 1400], # Завод 3
[900, 950, 1000, 1050, 1100, 1150, 1200, 1250, 1300, 1350, 1400, 1450], # Завод 4
]
Напишите программу, которая определит:
- Общее количество выпущенных грузовиков.
- Количество грузовиков, произведенных на каждом заводе за год.
- Самый продуктивный завод компании.
Пример вывода:
Общее количество произведенных грузовиков за год: 61050
Завод 1 - 16600 грузовиков
Завод 2 - 12700 грузовиков
Завод 3 - 17650 грузовиков
Завод 4 - 14100 грузовиков
Завод 3 был самым продуктивным
import numpy as np
# Создание массива данных о производстве
production_data = np.array([
# Январь, Февраль, Март, Апрель, Май, Июнь, Июль, Август, Сентябрь, Октябрь, Ноябрь, Декабрь
[1000, 1200, 1500, 1350, 1400, 1300, 1250, 1450, 1300, 1550, 1600, 1700], # Завод 1
[800, 900, 1000, 950, 1000, 1100, 1200, 1150, 1000, 1100, 1200, 1300], # Завод 2
[1200, 1300, 1250, 1400, 1500, 1600, 1650, 1700, 1600, 1550, 1500, 1400], # Завод 3
[900, 950, 1000, 1050, 1100, 1150, 1200, 1250, 1300, 1350, 1400, 1450], # Завод 4
])
# Подсчет общего количества произведенных грузовиков за год
total_production = np.sum(production_data)
# Подсчет количества произведенных грузовиков на каждом заводе за год
total_production_by_factory = np.sum(production_data, axis=1)
# Определение завода, на котором было произведено больше всего грузовиков за год
most_productive_factory = np.argmax(total_production_by_factory) + 1
# Вывод общего количества произведенных грузовиков за год
print(f"Общее количество произведенных грузовиков за год: {total_production}")
# Вывод количества произведенных грузовиков на каждом заводе за год
for i, count in enumerate(total_production_by_factory):
print(f"Завод {i+1} - {count} грузовиков")
# Вывод завода, на котором было произведено больше всего грузовиков за год
print(f"Завод {most_productive_factory} был самым продуктивным")
Задание 4
Для кондитерской фабрики нужно написать программу, которая обрабатывает массив с показателями годового плана производства по 12 основным видам продукции и массив с ценами на сырье:
production_plan = np.array([
[110, 120, 80, 100, 200, 200, 100, 90, 150, 100, 205, 100],
[90, 110, 70, 110, 180, 200, 120, 80, 150, 100, 205, 110],
[80, 70, 90, 90, 150, 105, 105, 70, 90, 80, 105, 85],
[120, 140, 100, 120, 230, 100, 110, 80, 70, 90, 205, 110],
[130, 150, 110, 110, 240, 100, 110, 80, 75, 90, 205, 100],
[140, 160, 120, 110, 250, 100, 100, 80, 75, 90, 205, 120],
[150, 170, 130, 90, 260, 100, 100, 80, 80, 100, 205, 200],
[160, 180, 140, 120, 270, 100, 120, 80, 85, 100, 205, 210],
[170, 190, 150, 120, 280, 100, 130, 80, 90, 120, 205, 210],
[180, 200, 160, 130, 290, 100, 140, 80, 95, 130, 205, 220],
[190, 210, 170, 140, 300, 100, 130, 80, 150, 140, 205, 230],
[200, 220, 180, 150, 310, 100, 160, 80, 150, 200, 205, 250]
])
prices_per_ton = np.array([10000, 150000, 12000, 80000, 2000, 33060, 5000, 10000, 170000, 19000, 8600, 7000])
Необходимо определить:
- Месяцы с минимальными и максимальными затратами на сырье.
- Виды продукции, на которые приходится минимальная и максимальная доли всех затрат.
Пример вывода:
Больше всего затрат приходится на: Торт "Клубничный"
Меньше всего средств тратится на: Пряники "Изюм"
Месяц с минимальными затратами на сырье: март
Месяц с максимальными затратами на сырье: декабрь
import numpy as np
# Годовой план производства (в тоннах)
production_plan = np.array([
[110, 120, 80, 100, 200, 200, 100, 90, 150, 100, 205, 100],
[90, 110, 70, 110, 180, 200, 120, 80, 150, 100, 205, 110],
[80, 70, 90, 90, 150, 105, 105, 70, 90, 80, 105, 85],
[120, 140, 100, 120, 230, 100, 110, 80, 70, 90, 205, 110],
[130, 150, 110, 110, 240, 100, 110, 80, 75, 90, 205, 100],
[140, 160, 120, 110, 250, 100, 100, 80, 75, 90, 205, 120],
[150, 170, 130, 90, 260, 100, 100, 80, 80, 100, 205, 200],
[160, 180, 140, 120, 270, 100, 120, 80, 85, 100, 205, 210],
[170, 190, 150, 120, 280, 100, 130, 80, 90, 120, 205, 210],
[180, 200, 160, 130, 290, 100, 140, 80, 95, 130, 205, 220],
[190, 210, 170, 140, 300, 100, 130, 80, 150, 140, 205, 230],
[200, 220, 180, 150, 310, 100, 160, 80, 150, 200, 205, 250]
])
# Цены на сырье (за тонну)
prices_per_ton = np.array([10000, 150000, 12000, 80000, 2000, 33060, 5000, 10000, 170000, 19000, 8600, 7000])
# Вычисление объемов закупок сырья для каждого месяца и вида продукции
monthly_purchases = np.dot(production_plan, np.diag(prices_per_ton))
# Вычисление общей стоимости ежемесячных закупок сырья
total_costs = np.sum(monthly_purchases, axis=1)
months = ['январь', 'февраль', 'март', 'апрель', 'май', 'июнь',
'июль', 'август', 'сентябрь', 'октябрь', 'ноябрь', 'декабрь']
# Виды продукции
products = np.array(['Печенье "Чебурашка"', 'Торт "Клубничный"', 'Конфеты "Птичка"', 'Шоколад "Золотой стандарт"', 'Пряники "Изюм"', 'Зефир "Бриз"', 'Пирожное "Тирамису"', 'Мармелад "Fruit&Berry"', 'Мусс "Крем-брюле"', 'Брауни "Ореховый"', 'Кекс "Праздник"', 'Батончики "Сюрприз"'])
# Названия ингредиентов
ingredients = np.array(['Мука', 'Сахар', 'Масло', 'Какао', 'Мед', 'Ваниль', 'Яйца', 'Кондитерская глазурь', 'Фрукты', 'Орехи', 'Кокосовая стружка', 'Сливки'])
# Суммарная стоимость по каждому виду продукции
product_costs = np.sum(monthly_purchases, axis=0)
# Виды продукции, на которые приходятся максимум и минимум затрат
most_expenses_index = np.argmax(product_costs)
least_expenses_index = np.argmin(product_costs)
# Индексы месяцев с минимальными и максимальными затратами на сырье
min_month_index = np.argmin(total_costs)
max_month_index = np.argmax(total_costs)
print(f"Больше всего затрат приходится на: {products[most_expenses_index]}")
print(f"Меньше всего средств тратится на: {products[least_expenses_index]}")
print(f"Месяц с минимальными затратами на сырье: {months[min_month_index]}")
print(f"Месяц с максимальными затратами на сырье: {months[max_month_index]}")
Задание 5
Напишите программу, которая будет определять, соответствует ли состав портфеля допустимому уровню риска.
Пример ввода:
Прошлая доходность акций
10, 5, 15, 8, 12
Стандартное отклонение акций
2, 3, 4, 2.5, 3.5
Сумма
1000000
Допустимый уровень риска
10
Доли акций в портфеле
0.2, 0.3, 0.15, 0.25, 0.1
Вывод:
Уровень риска портфеля соответствует требованиям.
import numpy as np
print("Прошлая доходность акций")
# Прошлая доходность акций (в процентах за период)
returns = np.array([float(element) for element in input().split(",")])
print("Стандартное отклонение акций")
# Стандартное отклонение акций (в процентах)
std_devs = np.array([float(element) for element in input().split(",")])
print("Сумма")
# Сумма, которой располагает инвестор
invest_amount = int(input())
print("Допустимый уровень риска")
# Допустимый уровень риска портфеля (в процентах)
risk_level = int(input())
# Вычисление взвешенной средней доходности портфеля
print("Доли акций в портфеле")
weights = np.array([float(element) for element in input().split(",")])
portfolio_returns = np.dot(returns, weights)
# Вычисление стандартного отклонения портфеля
portfolio_std_dev = np.sqrt(np.dot(weights, np.dot(std_devs, weights.T)))
# Проверка уровня риска портфеля
if (portfolio_std_dev <= risk_level).any():
print("Уровень риска портфеля соответствует требованиям.")
else:
print("Уровень риска слишком высок. Рекомендуем изменить веса акций в портфеле.")
Задание 6
Напишите программу, которая будет анализировать исторические данные о курсе биткоина с 01.01.22, выбирая из файла дни, когда:
- Курс монеты превышал $ 30 000 в момент закрытия.
- Объем торгов составлял не менее $ 16 000 000 000.
Пример вывода:
2023-04-11 29653.679688 30509.083984 29609.300781 30235.058594 30235.058594 20121259843
2023-04-12 30231.582031 30462.480469 29725.574219 30139.052734 30139.052734 18651929926
2023-04-13 29892.740234 30539.845703 29878.623047 30399.066406 30399.066406 17487721001
2023-04-14 30409.562500 31005.607422 30044.498047 30485.699219 30485.699219 22659995079
2023-04-18 29449.091797 30470.302734 29154.849609 30397.552734 30397.552734 19480529496
2023-06-21 28311.310547 30737.330078 28283.410156 30027.296875 30027.296875 33346760979
2023-06-23 29896.382813 31389.539063 29845.214844 30695.468750 30695.468750 24115570085
2023-06-26 30480.523438 30636.029297 29955.744141 30271.130859 30271.130859 16493186997
2023-06-27 30274.320313 31006.787109 30236.650391 30688.164063 30688.164063 16428827944
2023-06-30 30446.085938 31238.339844 30363.273438 30821.589844 30821.589844 17436878848
import csv
import numpy as np
data = []
with open('BTC-USD.csv', 'r') as file:
csv_reader = csv.reader(file)
for row in csv_reader:
data.append(row)
header = data[0]
close_prices_index = header.index('Close')
volumes_index = header.index('Volume')
close_prices = np.array([float(row[close_prices_index]) for row in data[1:]])
volumes = np.array([float(row[volumes_index]) for row in data[1:]])
threshold_price = 30000
threshold_volume = 16000000000
filtered_days = np.where((close_prices > threshold_price) & (volumes >= threshold_volume))
selected_days = [data[i+1] for i in filtered_days[0]]
for day in selected_days:
print(*day)
Задание 7
Напишите кредитный калькулятор для вычисления переплаты при аннуитетном и дифференцированном способах погашения.
- Сумма – 5 000 000 рублей.
- Ставка – 12%.
- Срок погашения – 3 года.
Пример вывода:
Платеж Аннуитетный Дифференцированный
#1 166071.55 188888.89
#2 166071.55 187500.0
#3 166071.55 186111.11
#4 166071.55 184722.22
#5 166071.55 183333.33
#6 166071.55 181944.44
#7 166071.55 180555.56
#8 166071.55 179166.67
#9 166071.55 177777.78
#10 166071.55 176388.89
#11 166071.55 175000.0
#12 166071.55 173611.11
#13 166071.55 172222.22
#14 166071.55 170833.33
#15 166071.55 169444.44
#16 166071.55 168055.56
#17 166071.55 166666.67
#18 166071.55 165277.78
#19 166071.55 163888.89
#20 166071.55 162500.0
#21 166071.55 161111.11
#22 166071.55 159722.22
#23 166071.55 158333.33
#24 166071.55 156944.44
#25 166071.55 155555.56
#26 166071.55 154166.67
#27 166071.55 152777.78
#28 166071.55 151388.89
#29 166071.55 150000.0
#30 166071.55 148611.11
#31 166071.55 147222.22
#32 166071.55 145833.33
#33 166071.55 144444.44
#34 166071.55 143055.56
#35 166071.55 141666.67
#36 166071.55 140277.78
Переплата при аннуитетном погашении: 978575.77
Переплата при дифференцированном погашении: 925000.0
Решение:
import numpy_financial as npf
import numpy as np
# Заданные параметры кредита
annual_interest_rate = 0.12
loan_amount = 5000000
loan_term = 3
# Расчет месячной процентной ставки и общего количества платежей
monthly_interest_rate = annual_interest_rate / 12
total_payments = loan_term * 12
# Расчет аннуитетного платежа
annuity_payment = npf.pmt(monthly_interest_rate, total_payments, -loan_amount)
# Расчет дифференцированного платежа
principal_payment = loan_amount / total_payments
# Расчет оставшейся суммы кредита для каждого месяца
remaining_loan_amounts = loan_amount - np.arange(total_payments) * principal_payment
# Расчет процентных платежей
interest_payments = remaining_loan_amounts * monthly_interest_rate
# Расчет дифференцированных платежей
differentiated_payments = principal_payment + interest_payments
# Вывод заголовка таблицы
print(f"{'Платеж':<10}{'Аннуитетный':<15}{'Дифференцированный':<15}")
# Вывод строк таблицы для каждого платежа
for i, payment in enumerate(differentiated_payments, 1):
print(f"#{i:<9}{round(annuity_payment, 2):<15}{round(payment, 2):<15}")
# Расчет общих затрат на погашение кредита для аннуитетного и дифференцированного способов
total_cost_annuity = annuity_payment * total_payments
total_cost_differentiated = sum(differentiated_payments)
# Вывод общих затрат на погашение кредита
print(f"\nПереплата при аннуитетном погашении: {round(total_cost_annuity - loan_amount, 2)}")
print(f"Переплата при дифференцированном погашении: {round(total_cost_differentiated - loan_amount, 2)}")
Задание 8
Напишите программу для мониторинга динамических нагрузок на инженерную конструкцию. У вас есть данные об ускорении, силе и деформации, которые действуют на конструкцию в течение определенного периода времени:
- Ускорение – 3.5, 4.2, 2.8, 3.5, 4.2, 5.1, 6.2, 3.9, 4.7
- Сила – 250, 280, 220, 290, 310, 260, 265, 270, 275
- Деформация – 0.02, 0.03, 0.01, 0.02, 0.03, 0.04, 0.05, 0.03, 0.02
Нужно:
- Найти максимальные и минимальные значения ускорения, силы и деформации, а также время достижения этих показателей.
- Вычислить площадь под кривыми ускорения и силы на протяжении всего временного ряда.
- Рассчитать среднее значение и стандартное отклонение для ускорения и силы.
Пример вывода:
Ускорение
Максимальное ускорение: 6.2
Время достижения максимального ускорения: 6
Минимальное ускорение: 2.8
Время достижения минимального ускорения: 2
Сила
Максимальная сила: 310
Время достижения максимальной силы: 4
Минимальная сила: 220
Время достижения минимальной силы: 2
Деформация
Максимальная деформация: 0.05
Время достижения максимальной деформации: 6
Минимальная деформация: 0.01
Время достижения минимальной деформации: 2
Интегральные параметры
Площадь под кривой ускорения: 34.0
Площадь под кривой силы: 2157.5
Статистика
Среднее значение ускорения: 4.23
Стандартное отклонение ускорения: 0.95
Среднее значение силы: 268.89
Стандартное отклонение силы: 23.90
import numpy as np
# Временные ряды
acceleration = np.array([3.5, 4.2, 2.8, 3.5, 4.2, 5.1, 6.2, 3.9, 4.7])
force = np.array([250, 280, 220, 290, 310, 260, 265, 270, 275])
deformation = np.array([0.02, 0.03, 0.01, 0.02, 0.03, 0.04, 0.05, 0.03, 0.02])
# Нахождение максимальных и минимальных значений и времени достижения для каждого параметра
max_acceleration = np.max(acceleration)
min_acceleration = np.min(acceleration)
time_of_max_acceleration = np.argmax(acceleration)
time_of_min_acceleration = np.argmin(acceleration)
max_force = np.max(force)
min_force = np.min(force)
time_of_max_force = np.argmax(force)
time_of_min_force = np.argmin(force)
max_deformation = np.max(deformation)
min_deformation = np.min(deformation)
time_of_max_deformation = np.argmax(deformation)
time_of_min_deformation = np.argmin(deformation)
# Вычисление площади под кривой ускорения и силы
area_acceleration = np.trapz(acceleration)
area_force = np.trapz(force)
# Вычисление среднего значения и стандартного отклонения для ускорения и силы
mean_acceleration = np.mean(acceleration)
std_acceleration = np.std(acceleration)
mean_force = np.mean(force)
std_force = np.std(force)
print("Ускорение")
print("Максимальное ускорение:", max_acceleration)
print("Время достижения максимального ускорения:", time_of_max_acceleration)
print("Минимальное ускорение:", min_acceleration)
print("Время достижения минимального ускорения:", time_of_min_acceleration)
print("\nСила")
print("Максимальная сила:", max_force)
print("Время достижения максимальной силы:", time_of_max_force)
print("Минимальная сила:", min_force)
print("Время достижения минимальной силы:", time_of_min_force)
print("\nДеформация")
print("Максимальная деформация:", max_deformation)
print("Время достижения максимальной деформации:", time_of_max_deformation)
print("Минимальная деформация:", min_deformation)
print("Время достижения минимальной деформации:", time_of_min_deformation)
print("\nИнтегральные параметры")
print("Площадь под кривой ускорения:", area_acceleration)
print("Площадь под кривой силы:", area_force)
print("\nСтатистика")
print(f"Среднее значение ускорения: {mean_acceleration:.2f}")
print(f"Стандартное отклонение ускорения: {std_acceleration:.2f}")
print(f"Среднее значение силы: {mean_force:.2f}")
print(f"Стандартное отклонение силы: {std_force:.2f}")
Задание 9
Имеются данные о выручке в нескольких магазинах компании, расположенных в различных городах:
| 10.07.23 | 11.07.23 | 12.07.23 | 13.07.23 | 14.07.23 | |
| Нижний Новгород | 1000000 | 2000000 | 2500000 | 3000000 | 2150000 |
| Астрахань | 1560000 | 2330000 | 2500000 | 3990000 | 2150000 |
| Самара | 2120000 | 2500000 | 3770000 | 2650000 | 4000000 |
| Москва | 2589000 | 2990000 | 4488000 | 4586000 | 3500000 |
| Воронеж | 2100000 | 2599000 | 3100000 | 2110000 | 4233000 |
| Санкт-Петербург | 1533000 | 2660000 | 4220000 | 3500000 | 2577000 |
Напишите программу, которая определит:
- Город с максимальной выручкой.
- Дату наибольшей выручки.
Пример вывода:
Город с наибольшей выручкой: Москва
День с наибольшей выручкой: 13.07.23
import numpy as np
revenue = np.array([[1000000, 2000000, 2500000, 3000000, 2150000],
[1560000, 2330000, 2500000, 3990000, 2150000],
[2120000, 2500000, 3770000, 2650000, 4000000],
[2589000, 2990000, 4488000, 4586000, 3500000],
[2100000, 2599000, 3100000, 2110000, 4233000],
[1533000, 2660000, 4220000, 3500000, 2577000]])
cities = np.array(['Нижний Новгород', 'Астрахань', 'Самара', 'Москва', 'Воронеж', 'Санкт-Петербург'])
days = np.array(['10.07.23', '11.07.23', '12.07.23', '13.07.23', '14.07.23'])
# Находим город с наибольшей суммарной выручкой
total_revenue = np.sum(revenue, axis=1)
max_revenue_city = cities[np.argmax(total_revenue)]
print('Город с наибольшей выручкой:', max_revenue_city)
# Находим день с наибольшей выручкой
max_revenue_day = days[np.argmax(np.max(revenue, axis=0))]
print('День с наибольшей выручкой:', max_revenue_day)
Задание 10
Имеются массивы с данными о продажах:
years = np.random.choice(range(2011, 2023), size=100000)
sales = np.random.randint(500, 125000, size=100000)
revenue = np.random.randint(1000000, 50000000, size=100000)
Напишите программу, которая определит:
- Общее количество продаж по каждому году.
- Среднюю выручку по каждому году.
- Год с максимальным числом продаж.
- Год с минимальной выручкой.
Пример вывода:
Общее количество продаж
в 2011 году: 515147911
в 2012 году: 515179236
в 2013 году: 528064407
в 2014 году: 517416072
в 2015 году: 527501756
в 2016 году: 538125332
в 2017 году: 522721395
в 2018 году: 525814794
в 2019 году: 518083325
в 2020 году: 520183365
в 2021 году: 531273592
в 2022 году: 524972288
Средняя выручка
в 2011 году: 25704926.10
в 2012 году: 25219581.33
в 2013 году: 25578527.41
в 2014 году: 25712459.61
в 2015 году: 25326597.70
в 2016 году: 25396822.60
в 2017 году: 25516990.28
в 2018 году: 25346759.66
в 2019 году: 25283882.80
в 2020 году: 25723706.84
в 2021 году: 25462308.43
в 2022 году: 25350071.26
Год с максимальным количеством продаж: 2017
Год с минимальной выручкой от продаж: 2019
import numpy as np
# Генерация случайных данных о продажах
years = np.random.choice(range(2011, 2023), size=100000)
sales = np.random.randint(500, 125000, size=100000)
revenue = np.random.randint(1000000, 50000000, size=100000)
sales_data = np.column_stack((years, sales, revenue))
# Находим общее количество продаж за каждый год
total_sales_by_year = np.zeros((12,))
for i in range(12):
total_sales = np.sum(sales_data[sales_data[:, 0] == (2011 + i), 1])
total_sales_by_year[i] = total_sales
print("Общее количество продаж")
for i, year in enumerate(range(2011, 2023)):
print(f"в {year} году: {int(total_sales_by_year[i])}")
# Вычисляем среднюю выручку от продажи за каждый год
average_revenue_by_year = np.zeros((12,))
for i in range(12):
average_revenue = np.mean(sales_data[sales_data[:, 0] == (2011 + i), 2])
average_revenue_by_year[i] = average_revenue
print("\nСредняя выручка")
for i, year in enumerate(range(2011, 2023)):
print(f"в {year} году: {average_revenue_by_year[i]:.2f}")
# Определяем год с максимальным количеством продаж
max_sales_year = sales_data[:, 0][np.argmax(sales_data[:, 1])]
print(f"\nГод с максимальным количеством продаж: {max_sales_year}")
# Определяем год с минимальной выручкой от продажи
min_revenue_year = sales_data[:, 0][np.argmin(sales_data[:, 2])]
print(f"Год с минимальной выручкой от продаж: {min_revenue_year}")
Подведем итоги
NumPy – мощная и эффективная библиотека, обладающая двумя важными преимуществами:
- Обширным набором функций для работы с многомерными массивами, которые могут описывать любые данные – от производственных показателей и курсов валют до изображений и видео.
- Высокой скоростью обработки данных (благодаря реализации на C/C++).
Эти преимущества делают NumPy незаменимым инструментом для научных, инженерных и финансовых вычислений, машинного обучения, обработки и анализа данных.
В заключительной главе самоучителя будем изучать Pandas.
***
Содержание самоучителя
- Особенности, сферы применения, установка, онлайн IDE
- Все, что нужно для изучения Python с нуля – книги, сайты, каналы и курсы
- Типы данных: преобразование и базовые операции
- Методы работы со строками
- Методы работы со списками и списковыми включениями
- Методы работы со словарями и генераторами словарей
- Методы работы с кортежами
- Методы работы со множествами
- Особенности цикла for
- Условный цикл while
- Функции с позиционными и именованными аргументами
- Анонимные функции
- Рекурсивные функции
- Функции высшего порядка, замыкания и декораторы
- Методы работы с файлами и файловой системой
- Регулярные выражения
- Основы скрапинга и парсинга
- Основы ООП: инкапсуляция и наследование
- Основы ООП: абстракция и полиморфизм
- Графический интерфейс на Tkinter
- Основы разработки игр на Pygame
- Основы работы с SQLite
- Основы веб-разработки на Flask
- Основы работы с NumPy
- Основы анализа данных с Pandas
Комментарии