2.6-dars: Broadcasting
2-QISM — NUMPY · 6-dars
1. Kirish va motivatsiya
O'tgan darsda a + b (bir xil shakldagi massivlar) va a * 2 (massiv × son) ni ko'rdik. Lekin agar shakllar turlicha bo'lsa-chi? Masalan, 3×4 matritsaning har qatoriga bir xil 4 ta sonni qo'shmoqchisiz. Sikl yozasizmi? Yo'q — NumPy buni avtomatik qiladi: broadcasting (kengaytirish). Broadcasting — turli shakldagi massivlarni NumPy aqlli tarzda moslashtirib, element-wise amalni bajarishi. Kichik massiv kengaytiriladi (nusxalanmasdan — mantiqan) katta massivga mos keladi. Nega muhim? (1) Kuch — turli o'lchamli ma'lumotni siklsiz birlashtirish (har qatorga o'rtacha qo'shish, har ustunni normallashtirish); (2) Xotira — kichik massiv haqiqatan nusxalanmaydi (tejamli); (3) Data Science asosi — standartlashtirish, markazlashtirish (ML tayyorgarlik) broadcastingga tayanadi. Bu dars broadcastingni chuqur o'rgatadi — NumPy'ning eng chiroyli mexanizmi.
Broadcasting (kengaytirish) — turli shakldagi massivlarni moslashtirib amal: skalyar (massiv × son — 2.5, oddiy holat), qator vektori (2D + 1D — har qatorga), ustun vektori (2D + ustun — har ustunga), qoidalar (o'lchamlar mos yoki 1 bo'lishi kerak), kengaytirish (kichik massiv mantiqan takrorlanadi, xotira tejamli), cheklov (mos kelmasa — xato). Foydalanish: turli o'lcham, standartlashtirish, markazlashtirish. Bu 2.5 (vektorlashtirish), 2.3 (shape) bilan bog'liq. Broadcasting — turli shakl, moslashtirish. Aqlli. Kuchli.
Real vaziyat. Data Scientist 100 talaba × 3 fan (matematika, fizika, ingliz) baholari (100×3 matritsa) ega edi. Har fanni o'rtachasiga nisbatan markazlashtirmoqchi edi (har ustundan o'rtachani ayirish — standartlashtirish). O'rtachalar — 3 ta son ([75, 68, 82]). Sikl yozmadi — natija = baholar - o'rtachalar (broadcasting!): 3 ta o'rtacha har qatorga avtomatik qo'llanildi (100×3 - 3 = har qator - 3). Keyin har talaba bonusi (ustun vektori — 100×1) qo'shdi. Broadcasting turli shaklni aqlli moslashtirdi (siklsiz, xotira tejamli). ML tayyorgarlik (standartlashtirish) broadcastingga tayanadi. Broadcasting — Data Science tayyorgarlik yuragi.
Bu darsda broadcastingni o'rganamiz.
Bu darsda:
- Broadcasting nima
- Broadcasting qoidalari
- Qator va ustun vektori
- Amaliy: standartlashtirish
- Xotira (kengaytirish)
- Broadcasting amaliyoti
- Broadcasting tuzoqlari
- Amaliy: broadcasting modeli
ℹ Misollar real numpy bilan (deterministik) ishlaydi.
2. Nazariya — chuqur tushuntirish
2.1. Broadcasting nima
Turli shakl — avtomatik moslashish:
import numpy as np
# Oddiy: massiv × son (skalyar broadcasting)
a = np.array([1, 2, 3])
a + 10 # [11 12 13] (10 har elementga "kengaydi")
# 2D + 1D: har qatorga
b = np.array([[1, 2, 3], [4, 5, 6]]) # 2×3
v = np.array([10, 20, 30]) # 3
b + v # [[11 22 33] [14 25 36]] (v har qatorga) Broadcasting nima — turli shakldagi massivlar avtomatik moslashish: kichik massiv kengaytiriladi (katta massivga mos — har qatorga/ustunga takror). Skalyar (a + 10 — 10 har elementga) — oddiy holat. 2D + 1D (b + v — v har qatorga qo'shiladi). Sabab: turli o'lchamli ma'lumotni siklsiz birlashtirish (har qatorga bir xil vektor — sikl kerak emas); NumPy avtomatik kengaytiradi (kichik massiv — katta o'lchamga moslashadi). "Broadcasting" = eshittirish (kichik massiv katta o'lchamga "eshittiriladi"). Broadcasting — turli shakl avtomatik moslashish. Aqlli. Siklsiz.
2.2. Broadcasting qoidalari
Broadcasting qoidalari — qachon moslashadi:
BROADCASTING QOIDASI (o'ngdan chapga solishtir):
Har o'lcham uchun:
1. Bir xil bo'lsa → OK
2. Bittasi 1 bo'lsa → kengaytiriladi (OK)
3. Aks holda → XATO (mos kelmaydi)
MISOL:
(2, 3) + (3,) → (2, 3) OK (3 mos)
(2, 3) + (2, 1) → (2, 3) OK (1 kengayadi)
(2, 3) + (2,) → XATO (3 va 2 mos emas)Sabab: broadcasting xavfsiz bo'lishi kerak (tasodifiy mos kelish emas — aniq qoida); o'ngdan chapga solishtiradi (oxirgi o'lcham — birinchi); har o'lcham bir xil (mos) yoki bittasi 1 (kengaytiriladi — takror); aks holda xato (mos emas — jim xato oldini). (2,3)+(3,) — 3 mos (har qatorga); (2,3)+(2,1) — 1 kengayadi (har ustunga); (2,3)+(2,) — xato (3≠2). Qoidalar — bir xil yoki 1 (o'ngdan). Xavfsiz. Aniq.
2.3. Qator va ustun vektori
Qator (har qatorga) vs ustun (har ustunga):
b = np.array([[1, 2, 3], [4, 5, 6]]) # 2×3
# QATOR vektori (3,) — har qatorga
qator = np.array([10, 20, 30])
b + qator # [[11 22 33] [14 25 36]]
# USTUN vektori (2,1) — har ustunga
ustun = np.array([[100], [200]]) # 2×1
b + ustun # [[101 102 103] [204 205 206]] Qator va ustun vektori — yo'nalish: qator vektori (3,) — har qatorga qo'shiladi (b + qator — bir xil vektor har qatorda); ustun vektori (2, 1) — har ustunga (b + ustun — bir xil qiymat har ustunda). Sabab: ma'lumotni turli yo'nalishda o'zgartirish (har fan o'rtachasi — ustun bo'yicha, qator vektori; har talaba bonusi — qator bo'yicha, ustun vektori); shakl yo'nalishni belgilaydi ((3,) qator, (2,1) ustun). Ustun uchun (n, 1) shakl kerak (reshape(-1, 1) — 2.7). Qator/ustun vektori — yo'nalish (qator (3,), ustun (n,1)). Yo'nalish muhim.
2.4. Amaliy: standartlashtirish
Broadcasting eng ko'p ishlatiladigan joy:
data = np.array([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])
# Markazlashtirish: har ustundan o'rtachani ayirish
ortacha = data.mean(axis=0) # [4. 5. 6.] (ustun o'rtachalari)
data - ortacha # broadcasting (har qatordan)
# Standartlashtirish: (x - o'rtacha) / std
std = data.std(axis=0)
(data - ortacha) / std # z-score (ML tayyorgarlik) Amaliy: standartlashtirish — broadcasting eng ko'p joyi: markazlashtirish (data - ortacha — har ustundan o'rtachani ayirish; o'rtacha (3,) har qatorga broadcast), standartlashtirish ((data - ortacha) / std — z-score: o'rtacha 0, std 1). Sabab: ML standartlashtirilgan ma'lumotni talab qiladi (xususiyatlar bir o'lchovda — 20-qism); markazlashtirish/standartlashtirish broadcastingga tayanadi (o'rtacha/std vektori har qatorga — siklsiz). axis=0 (ustun bo'yicha — 2.8). Bu Data Science tayyorgarlik asosi (har ML loyihada). Standartlashtirish — broadcasting amaliyoti (markazlashtirish, z-score). ML tayyorgarlik.
2.5. Xotira (kengaytirish)
Xotira (kengaytirish) — broadcasting haqiqatan nusxalamaydi: b + v da v jismonan takrorlanmaydi (100×3 uchun v ni 100 marta nusxalamaydi — xotira isrof bo'lar edi); NumPy mantiqan kengaytiradi (bir xil v ni qayta-qayta o'qiydi — xotira tejamli). Sabab: agar broadcasting jismonan nusxalasa (kichik massivni katta o'lchamga) — xotira isrof (million qator uchun vektorni million marta — behuda); NumPy aqlli (mantiqan kengaytiradi — bir nusxa, qayta o'qish). Bu broadcastingni tejamli qiladi (tez ham — kam xotira). "Mantiqan kengaytirish" — jismonan emas (bir nusxa, ko'p marta o'qiladi). Xotira — kengaytirish mantiqan (nusxalamaydi). Tejamli. Aqlli.
2.6. Broadcasting amaliyoti
Broadcasting amaliyoti: skalyar (a * 2 — oddiy); qator vektori (b + v — har qatorga, (n,) shakl); ustun vektori (b + u — har ustunga, (n, 1) shakl — reshape(-1, 1)); standartlashtirish ((data - ortacha) / std — z-score); qoida tekshir (o'lchamlar bir xil yoki 1 — mos kelish); axis (o'rtacha/std yo'nalishi — 2.8); shakl anglash (qator vs ustun — yo'nalish). Tuzoqlar: shakl mos emas (xato — qoida tekshir), qator vs ustun chalkash ((n,) vs (n,1)), tasodifiy broadcast (kutilmagan mos kelish — natija noto'g'ri). Amaliyot — skalyar, qator/ustun vektori, standartlashtirish. Yo'nalish. Qoida.
2.7. Broadcasting tuzoqlari
Broadcasting asosiy tuzoqlari: shakl mos emas ((2,3)+(2,) — 3≠2, xato; qoida: o'ngdan bir xil yoki 1); qator vs ustun chalkash ((3,) har qatorga, (3,1) har ustunga — yo'nalish farqli, natija boshqacha); tasodifiy broadcast ((3,1)+(1,3) = (3,3) — kutilmagan kengaytirish, ikkalasi kengayadi; ehtiyot); ustun uchun shakl ((n,) ustun emas — (n,1) kerak, reshape(-1,1)); axis chalkash (axis=0 ustun, axis=1 qator — 2.8; noto'g'ri o'rtacha); jismonan nusxa deb (broadcasting nusxalamaydi — mantiqan; xotira tejamli, lekin ba'zan np.tile kerak). Sabab: broadcasting kuchli lekin nozik (shakl, yo'nalish — jim xato yoki noto'g'ri natija). Yechim: qoida tekshir (shape), yo'nalish angla (qator/ustun), axis to'g'ri. Tuzoqlar — shakl, yo'nalish, tasodifiy broadcast.
2.8. Broadcasting — aqlli moslashish
Broadcasting asosiy g'oyasi — aqlli moslashish: turli shakldagi massivlarni NumPy avtomatik moslashtiradi (kichik massiv kengaytiriladi — katta o'lchamga mos, element-wise amal); sikl kerak emas (har qatorga/ustunga — avtomatik). Qoida: o'ngdan chapga, har o'lcham bir xil yoki bittasi 1 (kengayadi), aks holda xato (xavfsiz — tasodifiy mos emas). Xotira tejamli (jismonan nusxalamaydi — mantiqan kengaytiradi, bir nusxa qayta o'qiydi). Data Science'da tayyorgarlik asosi (standartlashtirish, markazlashtirish — z-score; har ustundan o'rtacha ayirish — broadcasting; ML talab). Bu 2.5 (vektorlashtirish) davomi (skalyar broadcasting — oddiy holat) va butun ML tayyorgarlik uchun. Broadcasting — aqlli moslashish (turli shakl, siklsiz, tejamli). NumPy chiroyi. Data Science tayyorgarlik yuragi.
3. Tez ma'lumotnoma
import numpy as np
b = np.array([[1, 2, 3], [4, 5, 6]]) # 2×3
# SKALYAR (oddiy):
b + 10 # har elementga
# QATOR VEKTORI (n,) — har qatorga:
b + np.array([10, 20, 30]) # (3,) har qatorga
# USTUN VEKTORI (n,1) — har ustunga:
b + np.array([[100], [200]]) # (2,1) har ustunga
# QOIDA (o'ngdan chapga):
# bir xil → OK · bittasi 1 → kengayadi · aks holda XATO
# (2,3)+(3,) OK · (2,3)+(2,1) OK · (2,3)+(2,) XATO
# STANDARTLASHTIRISH (ML tayyorgarlik):
ortacha = data.mean(axis=0) # ustun o'rtachalari
std = data.std(axis=0)
z = (data - ortacha) / std # z-score (broadcasting)
# USTUN VEKTORI YASASH:
v.reshape(-1, 1) # (n,) → (n,1)
QOIDA: shakl mos (bir xil yoki 1) · qator (n,) · ustun (n,1)Broadcasting xulosasi
Broadcasting — aqlli moslashish (turli shakl, siklsiz)
Qoida — o'ngdan, bir xil yoki 1 (aks holda xato)
Qator vektori (n,) — har qatorga · ustun (n,1) — har ustunga
Xotira — mantiqan kengayadi (jismonan nusxalamaydi, tejamli)
Standartlashtirish — (data - ortacha) / std (ML tayyorgarlik)4. Batafsil misollar
Misollar real numpy bilan (deterministik) ishlaydi.
Misol 1 — Broadcasting asoslari
"""Broadcasting: turli shakl (real numpy)."""
import numpy as np
def main() -> None:
print("=== 1. Skalyar ===")
a = np.array([1, 2, 3])
print(f" a + 10: {a + 10} (10 kengaydi)")
print("\n=== 2. 2D + qator vektori ===")
b = np.array([[1, 2, 3], [4, 5, 6]])
v = np.array([10, 20, 30])
print(f" b + v (har qatorga):\n{b + v}")
print("\n=== 3. Shakllar ===")
print(f" b.shape: {b.shape}, v.shape: {v.shape}")
print("\n=== 4. Tushuntirish ===")
print(" v (3,) har qatorga kengaydi")
print(" ⭐ Broadcasting — aqlli moslashish")
if __name__ == "__main__":
main()Natijaning muhim qismi:
=== 1. Skalyar ===
a + 10: [11 12 13] (10 kengaydi)
=== 2. 2D + qator vektori ===
b + v (har qatorga):
[[11 22 33]
[14 25 36]]
=== 3. Shakllar ===
b.shape: (2, 3), v.shape: (3,)
=== 4. Tushuntirish ===
v (3,) har qatorga kengaydi
⭐ Broadcasting — aqlli moslashishNima ko'rsatdi: 2.1-bo'lim.
Misol 2 — Qator va ustun vektori
"""Qator va ustun vektori (real numpy)."""
import numpy as np
def main() -> None:
b = np.array([[1, 2, 3], [4, 5, 6]])
print("=== 1. Qator vektori (har qatorga) ===")
qator = np.array([10, 20, 30])
print(f" b + qator:\n{b + qator}")
print("\n=== 2. Ustun vektori (har ustunga) ===")
ustun = np.array([[100], [200]])
print(f" b + ustun:\n{b + ustun}")
print("\n=== 3. Ustun vektori yasash ===")
v = np.array([100, 200])
print(f" v.reshape(-1, 1):\n{v.reshape(-1, 1)}")
print("\n=== 4. Tushuntirish ===")
print(" qator (3,) — har qatorga · ustun (2,1) — har ustunga")
print(" ⭐ Yo'nalish — shakl belgilaydi")
if __name__ == "__main__":
main()Natijaning muhim qismi:
=== 1. Qator vektori (har qatorga) ===
b + qator:
[[11 22 33]
[14 25 36]]
=== 2. Ustun vektori (har ustunga) ===
b + ustun:
[[101 102 103]
[204 205 206]]
=== 3. Ustun vektori yasash ===
v.reshape(-1, 1):
[[100]
[200]]
=== 4. Tushuntirish ===
qator (3,) — har qatorga · ustun (2,1) — har ustunga
⭐ Yo'nalish — shakl belgilaydiNima ko'rsatdi: 2.3-bo'lim.
Misol 3 — Standartlashtirish
"""Standartlashtirish: z-score (real numpy)."""
import numpy as np
def main() -> None:
data = np.array([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])
print("=== 1. Ustun o'rtachalari ===")
ortacha = data.mean(axis=0)
print(f" o'rtacha: {ortacha}")
print("\n=== 2. Markazlashtirish ===")
print(f" data - o'rtacha:\n{data - ortacha}")
print("\n=== 3. Standartlashtirish (z-score) ===")
std = data.std(axis=0)
z = np.round((data - ortacha) / std, 2)
print(f" z-score:\n{z}")
print("\n=== 4. Natija ===")
print(f" z o'rtacha: {np.round(z.mean(axis=0), 2)} (~0)")
print(" ⭐ Standartlashtirish — broadcasting (ML tayyorgarlik)")
if __name__ == "__main__":
main()Natijaning muhim qismi:
=== 1. Ustun o'rtachalari ===
o'rtacha: [4. 5. 6.]
=== 2. Markazlashtirish ===
data - o'rtacha:
[[-3. -3. -3.]
[ 0. 0. 0.]
[ 3. 3. 3.]]
=== 3. Standartlashtirish (z-score) ===
z-score:
[[-1.22 -1.22 -1.22]
[ 0. 0. 0. ]
[ 1.22 1.22 1.22]]
=== 4. Natija ===
z o'rtacha: [0. 0. 0.] (~0)
⭐ Standartlashtirish — broadcasting (ML tayyorgarlik)Nima ko'rsatdi: 2.4-bo'lim.
Misol 4 — Broadcasting qoidalari
"""Broadcasting qoidalari: mos kelish (real numpy)."""
import numpy as np
def main() -> None:
print("=== 1. (2,3) + (3,) → OK ===")
a = np.zeros((2, 3))
b = np.array([1, 2, 3])
print(f" natija shakli: {(a + b).shape}")
print("\n=== 2. (2,3) + (2,1) → OK ===")
c = np.array([[10], [20]])
print(f" natija shakli: {(a + c).shape}")
print("\n=== 3. (3,1) + (1,3) → (3,3) ===")
d = np.array([[1], [2], [3]])
e = np.array([[10, 20, 30]])
print(f" natija shakli: {(d + e).shape} (ikkalasi kengaydi)")
print("\n=== 4. Qoida ===")
print(" o'ngdan: bir xil yoki 1 → OK, aks holda xato")
print(" ⭐ Broadcasting qoidasi — xavfsiz moslashish")
if __name__ == "__main__":
main()Natijaning muhim qismi:
=== 1. (2,3) + (3,) → OK ===
natija shakli: (2, 3)
=== 2. (2,3) + (2,1) → OK ===
natija shakli: (2, 3)
=== 3. (3,1) + (1,3) → (3,3) ===
natija shakli: (3, 3) (ikkalasi kengaydi)
=== 4. Qoida ===
o'ngdan: bir xil yoki 1 → OK, aks holda xato
⭐ Broadcasting qoidasi — xavfsiz moslashishNima ko'rsatdi: 2.2-bo'lim.
5. To'g'ri va noto'g'ri tushunishlar
| Noto'g'ri fikr | To'g'risi |
|---|---|
| "turli shakl — doim xato" | Broadcasting (moslashadi) |
| "broadcasting nusxalaydi" | Mantiqan kengayadi (tejamli) |
| "har shakl mos keladi" | Qoida (bir xil yoki 1) |
| "(n,) — ustun vektori" | Qator (ustun — (n,1)) |
| "sikl kerak (har qatorga)" | Broadcasting (siklsiz) |
| "axis muhim emas" | axis=0 ustun, axis=1 qator |
| "broadcasting sekin" | Tejamli (nusxalamaydi) |
| "shaklni bilmasa ham OK" | Yo'nalish muhim |
6. Keng tarqalgan xatolar va yechimlari
1. Shakl mos emas
np.zeros((2,3)) + np.array([1,2]) # xato (3≠2) # ⚠️
np.zeros((2,3)) + np.array([1,2,3]) # OK (3 mos) # ✅2. Qator vs ustun
b + np.array([1, 2]) # (2,) har qatorga (agar 2 ustun) # ⚠️
b + np.array([[1],[2]]) # (2,1) har ustunga # ✅3. Ustun vektori shakli
v # (n,) — qator (ustun emas) # ⚠️
v.reshape(-1, 1) # (n,1) — ustun # ✅4. axis chalkash
data.mean(axis=1) # qator o'rtachalari (ustun emas) # ⚠️
data.mean(axis=0) # ustun o'rtachalari (standartlashtirish) # ✅5. Tasodifiy broadcast
d + e # (3,1)+(1,3) = (3,3) (kutilmagan!) # ⚠️
# shakllarni tekshir (mos kelish) # ✅6. std=0 (bo'lish)
(data - ortacha) / std # std=0 bo'lsa xato (0 ga bo'lish) # ⚠️
# std=0 ustunlarni tekshir (o'zgarmas) # ✅7. Jismonan nusxa deb
# broadcasting nusxa deb o'ylash (xotira) # ⚠️
# mantiqan kengayadi (tejamli) # ✅7. Integratsiya — bu bilim qayerda kerak bo'ladi
- 2.5-dars (o'tilgan): Vektorlashtirish (skalyar broadcasting)
- 2.7-dars: Reshape (ustun vektori — (n,1))
- 2.8-dars: Agregatsiya (axis — o'rtacha)
- 6-qism: Tozalash (standartlashtirish)
- 20-qism: ML (xususiyat masshtablash — z-score)
8. Eng yaxshi amaliyotlar
Shakl tekshir (qoida — bir xil yoki 1).
Qator (n,) — har qatorga, ustun (n,1) — har ustunga.
reshape(-1, 1)— ustun vektori.axis=0ustun,axis=1qator (o'rtacha).Standartlashtirish — (data - ortacha) / std.
Broadcasting — tejamli (nusxalamaydi).
Tasodifiy broadcast — shakl tekshir.
Broadcasting — aqlli moslashish (siklsiz).
9. Amaliy topshiriq
Vazifa 1: Bashorat qiling
1. # broadcasting nima?
2. # turli shakl — doim xato?
3. # broadcasting qoidasi?
4. # (2,3)+(3,)?
5. # (2,3)+(2,)?
6. # (n,) qator yoki ustun?
7. # ustun vektori shakli?
8. # broadcasting nusxalaydimi?
9. # axis=0 nima?
10. # standartlashtirish?
11. # z-score o'rtachasi?
12. # nega broadcasting kuchli?Javoblar
- Turli shakl avtomatik moslashish
- Yo'q (broadcasting)
- O'ngdan: bir xil yoki 1
- OK (2,3) — 3 mos
- Xato (3≠2)
- Qator (ustun — (n,1))
- (n, 1)
- Yo'q (mantiqan kengayadi)
- Ustun bo'yicha (o'rtacha)
- (data - ortacha) / std
- ~0 (markazlashgan)
- Turli shaklni siklsiz birlashtiradi
Vazifa 2: Xatolarni tuzating
1. np.zeros((2,3)) + np.array([1,2]) # xato
2. v # ustun vektori sifatida
3. data.mean(axis=1) # ustun o'rtacha
4. # har qatorga sikl bilan qo'shish
5. d + e # (3,1)+(1,3) kutilmaganJavoblar
1. np.array([1,2,3]) # (3,) mos
2. v.reshape(-1, 1) # (n,1)
3. data.mean(axis=0) # ustun
4. data + vektor # broadcasting
5. shakllarni tekshir (mos kelish)Vazifa 3: Broadcasting
Modellang:
- Skalyar
- Qator vektori
- Ustun vektori
- Moslashish
Vazifa 4: Qoida
Modellang:
- Bir xil
- Bittasi 1
- Xato
- O'ngdan
Vazifa 5: Standartlashtirish
Modellang:
- Markazlashtirish
- z-score
- axis
- ML tayyorgarlik
Vazifa 6: Xotira
Modellang:
- Mantiqan
- Nusxalamaydi
- Tejamli
- Aqlli
Vazifa 7: O'ylash
Broadcasting kichik massivni (masalan (3,) vektor) katta massivga ((1000, 3)) mos keltirganda, uni jismonan 1000 marta nusxalamaydi — mantiqan kengaytiradi. Nima uchun bu "jismonan nusxalamaslik" katta ma'lumot uchun juda muhim, va bu NumPy'ning umumiy falsafasi (tezlik + xotira) bilan qanday bog'liq?
Javob
Qisqa javob: Broadcasting kichik massivni ((3,)) katta massivga ((1000,3)) jismonan nusxalamaydi — mantiqan kengaytiradi (bir nusxa, qayta o'qiydi); bu katta ma'lumot uchun muhim, chunki: (1) xotira tejash — jismonan nusxa (3,) ni 1000 marta takrorlar edi ((1000, 3) — 3000 son o'rniga 3 son; 1000x isrof); million qatorda — million marta vektor (behuda — xotira to'lib ketadi); mantiqan — bir nusxa (3 son, qayta o'qiladi); (2) tezlik — nusxa olish vaqt (3000 son yozish — sekin); mantiqan — yozish yo'q (bor sonni qayta o'qiydi — tez); kam xotira kesh do'st (2.1 — tez o'qish); (3) katta ma'lumot mumkin — jismonan nusxa katta ma'lumotda imkonsiz (xotira yetmaydi — million×million); mantiqan — imkonli (kam xotira). "NumPy falsafasi bilan bog'liq": (a) tezlik + xotira birinchi — NumPy tezlik/xotira uchun yaratilgan (2.1 — nega NumPy); broadcasting bu falsafaga mos (mantiqan — tez, tejamli); (b) behuda ish yo'q — vektorlashtirish (siklsiz — 2.5), view (nusxa yo'q — 2.4 slice), broadcasting (jismonan nusxa yo'q) — umumiy naqsh (kerak bo'lmaganda ishlamaslik — tezlik); (c) aqlli standart — NumPy avtomatik optimallashtiradi (foydalanuvchi o'ylamasdan — mantiqan kengayadi, tez/tejamli); (d) ketma-ket xotira — ndarray uzluksiz 2.1-bob; broadcasting bir vektorni ketma-ket qayta o'qiydi (kesh do'st — tez). Saboqlar: jismonan nusxa isrof (1000x xotira, sekin); mantiqan tejamli (bir nusxa, tez); katta ma'lumot mumkin (kam xotira); NumPy falsafa — tezlik + xotira (behuda ish yo'q — view, broadcasting, vektor). To'g'ri: broadcastingga ishon (tejamli, tez); jismonan nusxa faqat kerak bo'lsa (np.tile — kam). Muvozanat: qulaylik (avtomatik moslashish) + samaradorlik (mantiqan — tejamli) — ikkalasi broadcastingda. NumPy naqsh — kerak bo'lmaganda ishlama (view, broadcast, vektor — tezlik/xotira).
1. Nega jismonan nusxa isrof
- Xotira —
(3,)ni 1000 marta (1000x isrof) - Million qator — million marta vektor (to'ladi)
- Vaqt — nusxa yozish (sekin)
2. Nega mantiqan tejamli
- Bir nusxa (3 son — qayta o'qiladi)
- Yozish yo'q (tez)
- Kesh do'st (kam xotira — 2.1)
3. NumPy falsafa bilan bog'liq
- Tezlik + xotira birinchi (2.1 — nega NumPy)
- Behuda ish yo'q (view, broadcast, vektor)
- Aqlli standart (avtomatik optimal)
4. Umumiy naqsh (kerak bo'lmaganda ishlama)
| Mexanizm | Tejash |
|---|---|
| View (2.4) | Nusxa yo'q |
| Vektor (2.5) | Sikl yo'q |
| Broadcast | Jismonan nusxa yo'q |
5. Saboqlar
- Jismonan nusxa isrof (1000x, sekin)
- Mantiqan tejamli (bir nusxa)
- Katta ma'lumot mumkin (kam xotira)
- NumPy falsafa — behuda ish yo'q
6. Xulosa
- Jismonan nusxa — isrof (xotira, vaqt)
- Mantiqan — tejamli (bir nusxa, tez)
- Katta ma'lumot — mumkin (kam xotira)
- NumPy naqsh — tezlik + xotira (behuda ish yo'q)
Nimani mustahkamlaydi: 2.5, 2.7-bo'limlar.
Xulosa
Bu darsda broadcastingni o'rgandik.
Eng muhim uch fikr:
Broadcasting va qoidalar. Broadcasting — turli shakldagi massivlar avtomatik moslashish (kichik massiv kengaytiriladi — katta o'lchamga mos, siklsiz); skalyar (
a + 10) oddiy holat, 2D + 1D (b + v— har qatorga). Qoida — o'ngdan chapga: har o'lcham bir xil (mos) yoki bittasi 1 (kengayadi), aks holda xato ((2,3)+(3,)OK,(2,3)+(2,)xato); xavfsiz (tasodifiy mos emas).Qator/ustun va standartlashtirish. Qator vektori
(n,)— har qatorga; ustun vektori(n, 1)— har ustunga (reshape(-1, 1)); yo'nalish shakl bilan (qator vs ustun). Standartlashtirish — broadcasting eng ko'p joyi: markazlashtirish (data - ortacha— har ustundan o'rtacha), z-score ((data - ortacha) / std— o'rtacha 0, std 1);axis=0ustun bo'yicha; ML tayyorgarlik asosi.Aqlli moslashish. Xotira — broadcasting jismonan nusxalamaydi (mantiqan kengaytiradi — bir nusxa qayta o'qiydi, xotira tejamli; katta ma'lumotda muhim — million marta nusxa isrof bo'lar edi). Broadcasting — aqlli moslashish (turli shakl, siklsiz, tejamli — NumPy chiroyi); Data Science tayyorgarlik yuragi (standartlashtirish, markazlashtirish). NumPy falsafasi — tezlik + xotira (behuda ish yo'q: view nusxalamaydi, vektor siklsiz, broadcast jismonan kengaytirmaydi). Tuzoqlar: shakl mos emas (qoida), qator vs ustun chalkash,
axisto'g'ri.
Keyingi darsda shakl o'zgartirish (reshape)ni o'rganamiz: massiv o'lchamini o'zgartirish (1D → 2D, flatten, transpose) — ma'lumotni qayta shakllantirish.
Izohlar · 0
Izoh yozish uchun kiring.