TechCodeview

Ndarray ir n-dimensiju masīva objekts, kas definēts numpy un kurā tiek glabāta līdzīga veida elementu kolekcija. Citiem vārdiem sakot, mēs varam definēt ndarray kā datu tipa (dtype) objektu kolekciju.

Ndarray objektam var piekļūt, izmantojot indeksēšanu, kuras pamatā ir 0. Katrs masīva objekta elements atmiņā satur vienādu izmēru.

ndarray objekta izveide

Objektu ndarray var izveidot, izmantojot numpy moduļa masīva rutīnu. Šim nolūkam mums ir jāimportē numpy.

 >>> a = numpy.array 

Apsveriet zemāk redzamo attēlu.

Mēs varam arī nodot kolekcijas objektu masīva rutīnai, lai izveidotu līdzvērtīgu n-dimensiju masīvu. Sintakse ir norādīta zemāk.

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

Parametri ir aprakstīti nākamajā tabulā.

Lai izveidotu masīvu, izmantojot sarakstu, izmantojiet šādu sintaksi.

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

Lai izveidotu daudzdimensiju masīva objektu, izmantojiet šādu sintaksi.

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

Lai mainītu masīva elementu datu tipu, norādiet datu tipa nosaukumu kopā ar kolekciju.

mēģiniet noķert java bloku

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

Masīva izmēru atrašana

The tas esmu es funkciju var izmantot, lai atrastu masīva izmērus.

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

Katra masīva elementa lieluma atrašana

Vienumu lieluma funkcija tiek izmantota, lai iegūtu katra masīva vienuma izmēru. Tas atgriež katra masīva elementa aizņemto baitu skaitu.

Apsveriet šādu piemēru.

Piemērs

 #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') 

Izvade:

java vesels skaitlis uz virkni

 Each item contains 8 bytes. 

Katra masīva elementa datu veida atrašana

Lai pārbaudītu katra masīva elementa datu tipu, tiek izmantota funkcija dtype. Apsveriet šo piemēru, lai pārbaudītu masīva vienumu datu tipu.

Piemērs

 #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) 

Izvade:

 Each item is of the type int64 

Masīva formas un izmēra atrašana

Lai iegūtu masīva formu un izmēru, tiek izmantota izmēra un formas funkcija, kas ir saistīta ar masīvu numpy.

Apsveriet šādu piemēru.

Piemērs

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

Izvade:

 Array Size: 7 Shape: (1, 7) 

Masīva objektu pārveidošana

Ar masīva formu mēs saprotam daudzdimensiju masīva rindu un kolonnu skaitu. Tomēr numpy modulis nodrošina veidu, kā pārveidot masīvu, mainot daudzdimensiju masīva rindu un kolonnu skaitu.

Ar ndarray objektu saistītā funkcija reshape() tiek izmantota, lai pārveidotu masīvu. Tas pieņem divus parametrus, kas norāda masīva jaunās formas rindu un kolonnas.

Pārveidosim nākamajā attēlā norādīto masīvu.

Piemērs

 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) 

Izvade:

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

Sagriešana masīvā

Sagriešana NumPy masīvā ir veids, kā no masīva iegūt virkni elementu. Sagriešana masīvā tiek veikta tāpat kā python sarakstā.

Apsveriet šo piemēru, lai izdrukātu noteiktu masīva elementu.

Piemērs

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

Izvade:

svm

 2 5 

Iepriekš minētā programma izdrukā 2^ndelements no 0^thindekss un 0^thelements no 2^ndmasīva indekss.

Linspace

Funkcija linspace () atgriež vienmērīgi izvietotas vērtības norādītajā intervālā. Šis piemērs atgriež 10 vienmērīgi atdalītas vērtības norādītajā intervālā 5–15

Piemērs

 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) 

Izvade:

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

Masīva elementu maksimālā, minimuma un summas atrašana

NumPy nodrošina max (), min () un sum () funkcijas, kuras tiek izmantotas, lai atrastu attiecīgi masīva elementu maksimālo, minimālo un summu.

Apsveriet šādu piemēru.

Piemērs

 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()) 

Izvade:

ascii no a in Java

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

NumPy masīva ass

NumPy daudzdimensiju masīvs ir attēlots ar asi, kur ass-0 apzīmē kolonnas un ass-1 apzīmē rindas. Mēs varam minēt asi, lai veiktu rindas vai kolonnas līmeņa aprēķinus, piemēram, rindas vai kolonnas elementu pievienošanu.

Lai aprēķinātu maksimālo elementu katrā kolonnā, minimālo elementu katrā rindā un visu rindas elementu pievienošanu, apsveriet šo piemēru.

Piemērs

 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)) 

Izvade:

 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] 

Kvadrātsaknes un standartnovirzes atrašana

Ar numpy masīvu saistītās funkcijas sqrt () un std () tiek izmantotas, lai atrastu attiecīgi masīva elementu kvadrātsakni un standarta novirzi.

Standarta novirze nozīmē, cik daudz katrs masīva elements atšķiras no nelīdzenā masīva vidējās vērtības.

Apsveriet šādu piemēru.

Piemērs

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

Izvade:

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

Aritmētiskās darbības ar masīvu

Numpy modulis ļauj mums tieši veikt aritmētiskās darbības ar daudzdimensiju masīviem.

Nākamajā piemērā aritmētiskās darbības tiek veiktas ar diviem daudzdimensiju masīviem a un b.

Piemērs

 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) 

Masīvu savienošana

Numpy nodrošina mums vertikālo un horizontālo sakraušanu, kas ļauj vertikāli vai horizontāli savienot divus daudzdimensiju masīvus.

Apsveriet šādu piemēru.

Piemērs

 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))) 

Izvade:

 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]]