Creare Array in NumPy

NumPy offre diverse opzioni per la creazione di array multidimensionali. In questo articolo, esamineremo come creare array in NumPy, compresi quelli di 0, 1, 2 e più di 3 dimensioni, nonché come trovare il numero di dimensioni di un array.

Creazione di Array in NumPy

Per creare un array in NumPy, è possibile utilizzare la funzione np.array() passando una lista Python o una sequenza come argomento. Ad esempio:

import numpy as np

# Creazione di un array unidimensionale
arr1d = np.array([1, 2, 3, 4, 5])

# Creazione di un array bidimensionale (matrice)
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Creazione di un array tridimensionale
arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

Array di 0, 1, 2 e più di 3 Dimensioni

Array di 0 Dimensioni (Scalar)

Un array di 0 dimensioni rappresenta un singolo valore, come un numero intero o decimale. È noto anche come “scalare”.

scalar = np.array(42)

Array di 1 Dimensione

Un array di 1 dimensione è una sequenza di valori, simile a una lista in Python.

arr1d = np.array([1, 2, 3, 4, 5])

Array di 2 Dimensioni (Matrice)

Un array di 2 dimensioni è una tabella di valori, nota anche come matrice.

arr2d = np.array([[1, 2, 3], [4, 5, 6]])

Array di 3 Dimensioni

Un array di 3 dimensioni è un contenitore di matrici tridimensionali.

arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

Array con più di 3 Dimensioni

È possibile creare array con più di 3 dimensioni specificando la forma desiderata durante la creazione.

# Esempio di creazione di un array 4D
arr4d = np.array([1, 2, 3, 4], ndmin=5)

Trovare il Numero di Dimensioni

Per trovare il numero di dimensioni di un array in NumPy, è possibile utilizzare l’attributo .ndim.

print(arr1d.ndim)  # Restituisce 1 per un array 1D
print(arr2d.ndim)  # Restituisce 2 per un array 2D
print(arr3d.ndim)  # Restituisce 3 per un array 3D
print(arr4d.ndim)  # Restituisce il numero di dimensioni per un array con più di 3 dimensioni

NumPy offre una grande flessibilità nella gestione di dati multidimensionali, il che lo rende una scelta potente per l’elaborazione numerica in Python.