科學運算函式庫 NumPy 2.0.0 發布
更新於 發佈於 閱讀時間約 4 分鐘
NumPy 是 Python 語言的一個擴充程式庫，支援高階大規模的多維陣列與矩陣運算的數學函式函式庫。
NumPy 2.0.0 是自 2006 年以來的第一個主要發行版本，此重要版本標誌著 NumPy 發展歷程中的一項重要里程碑，為使用者提供了豐富的增強功能和改進，並為未來的功能開發奠定了基礎。
更新要點
- 新功能
- 新的變長字串資料類型 StringDType，以及新的 numpy.strings 命名空間，其中包含用於字串運算的高效能 ufunc，
- 在所有 numpy.fft 函數中支援 float32 和 longdouble，
- 在主要 numpy 命名空間中支援陣列 API 標準。
- 效能改善
- 排序函數（sort、argsort、partition、argpartition）已透過使用 Intel x86-simd-sort 和 Google Highway 函式庫加速，並可能大幅提升速度（特定於硬體），
- 支援 macOS 加速和 macOS >=14 的二進制輪，大幅提升 macOS 上線性代數運算的效能，且輪的體積縮小約 3 倍，
- numpy.char 定長字串操作已透過實作 ufunc 加速，ufunc 除了支援定長字串資料型態外，也支援 StringDType。
- 新的追蹤和內省 API，opt_func_info，用於判斷有哪些硬體特定核心可用，以及將派送至何處。
- Python API 改進
- 公開 API 和私人 API 之間的明確區分，採用新的 模組結構，每個公開函式現在都可以在單一位置取得。
- 移除許多不建議使用的函式和別名。這應讓學習和使用 NumPy 變得更容易。主命名空間中的物件數量減少約 10%，numpy.lib 中減少約 80%。
- 正規資料型態名稱 和新的 isdtype 內省函式。
- C API 改進
- 新的 用於建立自訂資料型態的公開 C API。
- 移除許多過時的函式和巨集，並隱藏私人內部結構，以簡化未來的可擴充性。
- 新的、更容易使用的初始化函式：PyArray_ImportNumPyAPI 和 PyUFunc_ImportUFuncAPI。
- 行為改善
- 透過採用 NEP 50，改善類型提升行為。這修正了許多使用者的驚訝，這些驚訝以前經常取決於輸入陣列的資料值，而不僅取決於它們的資料型態。請參閱 NEP 和 NumPy 2.0 遷移指南，以了解詳細資訊，因為此變更可能會導致輸出資料型態變更，以及混合資料型態操作的精度降低。
- Windows 上的預設整數類型現在是 int64，而非 int32，這與其他平台上的行為相符。
- 陣列維度的最大數量已從 32 變更為 64
- 文件
- 參考指南導覽已大幅改善，現在有 NumPy 模組結構 的文件。
- 從原始碼建置 文件已完全改寫。
此外，NumPy 內部有許多變更，包括持續將程式碼從 C 遷移至 C++，這將讓 NumPy 在未來更容易改善和維護。
「沒有免費的午餐」定理規定，所有這些 API 和行為改善以及更好的未來可擴充性都需要付出代價。這個代價是
- 向後相容性。Python 和 C API 有許多重大變更。在大部分情況下，會有明確的錯誤訊息，告知使用者如何調整他們的程式碼。然而，也有行為變更無法提供此類錯誤訊息 - 這些情況都包含在下列的「不建議使用」和「相容性」區段，以及 NumPy 2.0 遷移指南 中。 請注意，有一個ruff模式可以自動修正 Python 程式碼中的許多問題。
- NumPy ABI 的重大變更。因此，使用 NumPy C API 並針對 NumPy 1.xx 版本建置的套件二進位檔將無法與 NumPy 2.0 搭配使用。匯入時，此類套件會看到ImportError，並附有關於二進位檔不相容性的訊息。 可以針對 NumPy 2.0 建置二進位檔，這些二進位檔可以在執行時與 NumPy 2.0 和 1.x 搭配使用。請參閱NumPy 2.0 專屬建議以取得更多詳細資訊。 建議所有依賴 NumPy ABI 的下游套件針對 NumPy 2.0 進行新的版本建置，並驗證該版本可以與 2.0 和 1.26 搭配使用，理想情況是在 2.0.0rc1（ABI 將保持穩定）和最終的 2.0.0 版本之間，以避免使用者的問題。
此版本支援的 Python 版本為 3.9-3.12。
NumPy 2.0 文件
- 英文 https://numpy.org/doc/stable/
- 繁中 https://numpy.dev.org.tw/doc/stable/
- 簡中 https://numpy.com.cn/doc/stable/
https://chihyuanyip.github.io/2024/07/01/numpy-2-0-0-released.html
2會員
6內容數
留言0
查看全部
你可能也想看
Google News 追蹤
現代社會跟以前不同了，人人都有一支手機，只要打開就可以獲得各種資訊。過去想要辦卡或是開戶就要跑一趟銀行，然而如今科技快速發展之下，金融App無聲無息地進到你生活中。但同樣的，每一家銀行都有自己的App時，我們又該如何選擇呢？(本文係由國泰世華銀行邀約)
今天我會用不同角度帶大家看這款國泰世華CUB
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
上兩篇有關List的文章，此篇文上兩章的延續，整理一些常用的方法和操作。
[Python]List(列表)新增、修改、刪除元素
[Python基礎]容器 list(列表),tuple(元組)
還有一些常用的 list 方法和操作，讓你能更靈活地處理列表數據
pandas是用於資料操縱和分析的Python軟體庫。它建造在 NumPy 基礎上，並為操縱數值表格和時間序列，提供了資料結構和運算操作。
Pandas 的主要資料結構包含 Series 和 DataFrame 物件，由於 Pandas 本身基 Numpy 所以在使用大量資料運算時效能表現也優於原
Python的模組和庫是可重用的程式碼塊，可透過import語句引入。特定部分可以透過from和import引入，並可使用as指定別名。第三方模組可透過pip工具安裝並在程式碼中使用。此外，也可以創建自定義模組並在其他Python文件中引用。
NumPy（Numeric Python）是Python中用於科學計算的核心庫之一。它提供了高性能的多維陣列對象（即ndarray）以及用於處理這些陣列的各種函數和工具。
在NumPy中，有幾個常用的指令可以用來創建陣列
本文介紹了各種運算符的用法和優先級，包括算術運算符、比較運算符、賦值運算符、邏輯運算符、位元運算符、成員運算符和身份運算符。每種運算符都有詳細的描述和示例程式碼，幫助理解其功能和用法。
今天來介紹python的函式
函式在python中是非常重要的一環，因為到了後期，程式會越來越複雜。
而函式可以想成是容易管理的小程式，當我們需要使用時，只需呼叫即可。
在這篇文章中，我們講述瞭如何使用numpy.where方法查找Numpy數組中值的索引。除了介紹了numpy.where的基本用法外，還舉了一些應用實例進行了詳細說明。文章最後提供了其他應用領域以及相關參考文獻。
NumPy 提供了一種 N 維數組類型 ndarray（N-dimensional array） ，它描述了相同類型的「數據類型」的集合。
多維數組： ndarray 是一個 N 維數組，其中 N 可以是任意整數。一維數組是向量，二維數組是矩陣
NumPy在圖像處理、機器學習、數學和統計學等領域中被廣泛應用。
以下是一些常見的應用場景：
數據處理和分析： NumPy提供了高效的多維數組（nd array）和相應的操作函數，使得對大型數據集進行快速、有效的操作變得容易。
Python 提供了一系列內建函式，其中一部分涉及數學和數學操作。
以下是一些常用的內建函式和數學相關的函式：
基本數學運算：
abs(x)： 返回 x 的絕對值。
result = abs(-5)
print(result) # 輸出: 5
max(iterable) 和 min(
現代社會跟以前不同了，人人都有一支手機，只要打開就可以獲得各種資訊。過去想要辦卡或是開戶就要跑一趟銀行，然而如今科技快速發展之下，金融App無聲無息地進到你生活中。但同樣的，每一家銀行都有自己的App時，我們又該如何選擇呢？(本文係由國泰世華銀行邀約)
今天我會用不同角度帶大家看這款國泰世華CUB
嘿，大家新年快樂~ 新年大家都在做什麼呢？
跨年夜的我趕工製作某個外包設計案，在工作告一段落時趕上倒數。
然後和兩個小孩過了一個忙亂的元旦。在深夜時刻，看到朋友傳來的解籤網站，興致勃勃熬夜體驗了一下，覺得非常好玩，或許有人玩過了，但還是想寫上來分享紀錄一下~
上兩篇有關List的文章，此篇文上兩章的延續，整理一些常用的方法和操作。
[Python]List(列表)新增、修改、刪除元素
[Python基礎]容器 list(列表),tuple(元組)
還有一些常用的 list 方法和操作，讓你能更靈活地處理列表數據
pandas是用於資料操縱和分析的Python軟體庫。它建造在 NumPy 基礎上，並為操縱數值表格和時間序列，提供了資料結構和運算操作。
Pandas 的主要資料結構包含 Series 和 DataFrame 物件，由於 Pandas 本身基 Numpy 所以在使用大量資料運算時效能表現也優於原
Python的模組和庫是可重用的程式碼塊，可透過import語句引入。特定部分可以透過from和import引入，並可使用as指定別名。第三方模組可透過pip工具安裝並在程式碼中使用。此外，也可以創建自定義模組並在其他Python文件中引用。
NumPy（Numeric Python）是Python中用於科學計算的核心庫之一。它提供了高性能的多維陣列對象（即ndarray）以及用於處理這些陣列的各種函數和工具。
在NumPy中，有幾個常用的指令可以用來創建陣列
本文介紹了各種運算符的用法和優先級，包括算術運算符、比較運算符、賦值運算符、邏輯運算符、位元運算符、成員運算符和身份運算符。每種運算符都有詳細的描述和示例程式碼，幫助理解其功能和用法。
今天來介紹python的函式
函式在python中是非常重要的一環，因為到了後期，程式會越來越複雜。
而函式可以想成是容易管理的小程式，當我們需要使用時，只需呼叫即可。
在這篇文章中，我們講述瞭如何使用numpy.where方法查找Numpy數組中值的索引。除了介紹了numpy.where的基本用法外，還舉了一些應用實例進行了詳細說明。文章最後提供了其他應用領域以及相關參考文獻。
NumPy 提供了一種 N 維數組類型 ndarray（N-dimensional array） ，它描述了相同類型的「數據類型」的集合。
多維數組： ndarray 是一個 N 維數組，其中 N 可以是任意整數。一維數組是向量，二維數組是矩陣
NumPy在圖像處理、機器學習、數學和統計學等領域中被廣泛應用。
以下是一些常見的應用場景：
數據處理和分析： NumPy提供了高效的多維數組（nd array）和相應的操作函數，使得對大型數據集進行快速、有效的操作變得容易。
Python 提供了一系列內建函式，其中一部分涉及數學和數學操作。
以下是一些常用的內建函式和數學相關的函式：
基本數學運算：
abs(x)： 返回 x 的絕對值。
result = abs(-5)
print(result) # 輸出: 5
max(iterable) 和 min(