TechCodeview

Ndarray on n-ulotteinen taulukkoobjekti, joka on määritelty numpyssa ja joka tallentaa samantyyppisten elementtien kokoelman. Toisin sanoen voimme määritellä ndarrayn tietotyypin (dtype) objektien kokoelmaksi.

Ndarray-objektia voidaan käyttää käyttämällä 0-pohjaista indeksointia. Jokainen Array-objektin elementti sisältää saman koon muistissa.

Ndarray-objektin luominen

Ndarray-objekti voidaan luoda käyttämällä numpy-moduulin array-rutiinia. Tätä tarkoitusta varten meidän on tuotava numpy.

 >>> a = numpy.array 

Harkitse alla olevaa kuvaa.

Voimme myös siirtää kokoelmaobjektin taulukkorutiiniin luodaksemme vastaavan n-ulotteisen taulukon. Syntaksi on annettu alla.

 >>> numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0) 

Parametrit on kuvattu seuraavassa taulukossa.

Jos haluat luoda taulukon luettelon avulla, käytä seuraavaa syntaksia.

 >>> a = numpy.array([1, 2, 3]) 

Jos haluat luoda moniulotteisen taulukkoobjektin, käytä seuraavaa syntaksia.

 >>> a = numpy.array([[1, 2, 3], [4, 5, 6]]) 

Jos haluat muuttaa taulukon elementtien tietotyyppiä, mainitse tietotyypin nimi kokoelman mukana.

i d e:n täysi muoto

 >>> a = numpy.array([1, 3, 5, 7], complex) 

Taulukon mittojen löytäminen

The se olen minä -funktiota voidaan käyttää taulukon mittojen etsimiseen.

 >>> import numpy as np >>> arr = np.array([[1, 2, 3, 4], [4, 5, 6, 7], [9, 10, 11, 23]]) >>> print(arr.ndim) 

Jokaisen taulukon elementin koon selvittäminen

Itemize-funktiota käytetään kunkin taulukon kohteen koon saamiseksi. Se palauttaa kunkin taulukon elementin ottamien tavujen määrän.

Harkitse seuraavaa esimerkkiä.

Esimerkki

 #finding the size of each item in the array import numpy as np a = np.array([[1,2,3]]) print('Each item contains',a.itemsize,'bytes') 

Lähtö:

java-tietokanta jdbc

 Each item contains 8 bytes. 

Jokaisen taulukkokohteen tietotyypin etsiminen

Kunkin taulukkokohteen tietotyypin tarkistamiseksi käytetään dtype-funktiota. Tarkastele seuraavaa esimerkkiä taulukon kohteiden tietotyypin tarkistamiseksi.

Esimerkki

 #finding the data type of each array item import numpy as np a = np.array([[1,2,3]]) print('Each item is of the type',a.dtype) 

Lähtö:

 Each item is of the type int64 

Matriisin muodon ja koon löytäminen

Taulukon muodon ja koon saamiseksi käytetään numpy-taulukkoon liittyvää koko- ja muotofunktiota.

Harkitse seuraavaa esimerkkiä.

Esimerkki

 import numpy as np a = np.array([[1,2,3,4,5,6,7]]) print('Array Size:',a.size) print('Shape:',a.shape) 

Lähtö:

 Array Size: 7 Shape: (1, 7) 

Matriisiobjektien uudelleenmuotoilu

Taulukon muodolla tarkoitamme moniulotteisen taulukon rivien ja sarakkeiden määrää. Numpy-moduuli tarjoaa kuitenkin meille tavan muokata taulukkoa muuttamalla moniulotteisen taulukon rivien ja sarakkeiden määrää.

ndarray-objektiin liittyvää reshape()-funktiota käytetään taulukon muokkaamiseen. Se hyväksyy kaksi parametria, jotka osoittavat taulukon uuden muodon rivin ja sarakkeet.

Muodostetaan seuraavassa kuvassa annettu matriisi.

Esimerkki

 import numpy as np a = np.array([[1,2],[3,4],[5,6]]) print('printing the original array..') print(a) a=a.reshape(2,3) print('printing the reshaped array..') print(a) 

Lähtö:

 printing the original array.. [[1 2] [3 4] [5 6]] printing the reshaped array.. [[1 2 3] [4 5 6]] 

Viipalointi taulukossa

Viipalointi NumPy-taulukossa on tapa poimia joukko elementtejä taulukosta. Viipalointi taulukossa suoritetaan samalla tavalla kuin python-luettelossa.

Harkitse seuraavaa esimerkkiä taulukon tietyn elementin tulostamiseksi.

Esimerkki

 import numpy as np a = np.array([[1,2],[3,4],[5,6]]) print(a[0,1]) print(a[2,0]) 

Lähtö:

paikallinen java

 2 5 

Yllä oleva ohjelma tulostaa 2^ndelementti 0:sta^thindeksi ja 0^thelementti kohdasta 2^ndtaulukon indeksi.

Linspace

Linspace()-funktio palauttaa tasaisin välein annetut arvot. Seuraava esimerkki palauttaa 10 tasaisesti erotettua arvoa annetulla aikavälillä 5-15

Esimerkki

 import numpy as np a=np.linspace(5,15,10) #prints 10 values which are evenly spaced over the given interval 5-15 print(a) 

Lähtö:

 [ 5. 6.11111111 7.22222222 8.33333333 9.44444444 10.55555556 11.66666667 12.77777778 13.88888889 15. ] 

Matriisielementtien maksimi-, minimi- ja summan löytäminen

NumPy tarjoaa max(), min() ja sum()-funktiot, joita käytetään taulukon elementtien maksimi-, minimi- ja summan löytämiseen.

Harkitse seuraavaa esimerkkiä.

Esimerkki

 import numpy as np a = np.array([1,2,3,10,15,4]) print('The array:',a) print('The maximum element:',a.max()) print('The minimum element:',a.min()) print('The sum of the elements:',a.sum()) 

Lähtö:

 The array: [ 1 2 3 10 15 4] The maximum element: 15 The minimum element: 1 The sum of the elements: 35 

NumPy-taulukon akseli

Moniulotteista NumPy-taulukkoa edustaa akseli, jossa akseli-0 edustaa sarakkeita ja akseli-1 rivejä. Voimme mainita akselin suorittaaksesi rivi- tai saraketason laskutoimituksia, kuten rivi- tai sarakeelementtien lisäämistä.

Kun haluat laskea kunkin sarakkeen enimmäiselementin, kunkin rivin vähimmäiselementin ja kaikkien rivielementtien lisäämisen, harkitse seuraavaa esimerkkiä.

Esimerkki

 import numpy as np a = np.array([[1,2,30],[10,15,4]]) print('The array:',a) print('The maximum elements of columns:',a.max(axis = 0)) print('The minimum element of rows',a.min(axis = 1)) print('The sum of all rows',a.sum(axis = 1)) 

Lähtö:

 The array: [[1 2 30] [10 15 4]] The maximum elements of columns: [10 15 30] The minimum element of rows [1 4] The sum of all rows [33 29] 

Neliöjuuren ja keskihajonnan etsiminen

Numpy-taulukkoon liittyviä sqrt()- ja std()-funktioita käytetään taulukon elementtien neliöjuuren ja keskihajonnan löytämiseen.

Keskihajonta tarkoittaa, kuinka paljon taulukon kukin elementti poikkeaa numpy-taulukon keskiarvosta.

luokka vs objekti java

Harkitse seuraavaa esimerkkiä.

Esimerkki

 import numpy as np a = np.array([[1,2,30],[10,15,4]]) print(np.sqrt(a)) print(np.std(a)) 

Lähtö:

 [[1. 1.41421356 5.47722558] [3.16227766 3.87298335 2. ]] 10.044346115546242 

Aritmeettiset operaatiot taulukossa

Numpy-moduulin avulla voimme suorittaa aritmeettisia operaatioita moniulotteisille taulukoille suoraan.

Seuraavassa esimerkissä aritmeettiset operaatiot suoritetaan kahdelle moniulotteiselle taulukolle a ja b.

Esimerkki

 import numpy as np a = np.array([[1,2,30],[10,15,4]]) b = np.array([[1,2,3],[12, 19, 29]]) print('Sum of array a and b
',a+b) print('Product of array a and b
',a*b) print('Division of array a and b
',a/b) 

Array Concatenation

Numpy tarjoaa meille pystysuoran pinoamisen ja vaakasuoran pinoamisen, jonka avulla voimme yhdistää kaksi moniulotteista taulukkoa pysty- tai vaakasuunnassa.

Harkitse seuraavaa esimerkkiä.

Esimerkki

 import numpy as np a = np.array([[1,2,30],[10,15,4]]) b = np.array([[1,2,3],[12, 19, 29]]) print('Arrays vertically concatenated
',np.vstack((a,b))); print('Arrays horizontally concatenated
',np.hstack((a,b))) 

Lähtö:

 Arrays vertically concatenated [[ 1 2 30] [10 15 4] [ 1 2 3] [12 19 29]] Arrays horizontally concatenated [[ 1 2 30 1 2 3] [10 15 4 12 19 29]]