Numpy в python. часть 1
Содержание:
- Using fliplr() function
- Обратитесь в массив списка в Python
- Примеры работы с NumPy
- Необычное индексирование
- Арифметические операции с матрицей
- Пример 4: Укладка 3-D Numpy массива с помощью функции vstack
- Создание массивов с помощью функции array
- Примеры функции вычитания Numpy
- Массив Python
- 1.4.1.4. Basic visualization¶
- Логическое (Boolean) индексирование
- Примеры поиска Numpy процентиля
- Как поиск Numpy массивы для определенных элементов?
- Using reverse() function
- Синтаксис
Using fliplr() function
- In this example, we can easily use the fliplr() function to reverse an original array.
- The np.fliplr() method flips the array in left-right direction. The numpy. flipr() function always accepts a given array as a parameter and returns the same array and flip in the left-right direction.
- It reverses the order of elements on the given axis as 1 (left/right).
Syntax:
Here is the Syntax of fliplr() function
- It consists of few parameters
- arr: input array
- Returns: It returns an output numpy array with the columns reversed. Since the function is returned the operation.
Example:
Let’s take an example to check how to implement a reverse NumPy array by using the fliplr() function.
Here is the Screenshot of the following given code
Python reverse numpy array fliplr method
Обратитесь в массив списка в Python
Как мы уже обсуждали Списки и Массивы похожи в Python. Там, где основное различие между ними, в том, что массивы позволяют только элементы одного и того же типа данных, в то время как списки позволяют им быть разными.
Поскольку Python не поддерживает обычные массивы, мы можем использовать списки, чтобы изобразить то же самое и попытаться отменить их. Давайте посмотрим на разные методы, следующие, которые мы можем достичь этой задачи,
1. Использование списка нарезка, чтобы изменить массив в Python
Мы можем изменить массив списка, используя нарезка методы. Таким образом, мы фактически создаем новый список в обратном порядке как у оригинального. Давайте посмотрим, как:
#The original array
arr =
print("Array is :",arr)
res = arr #reversing using list slicing
print("Resultant new reversed array:",res)
Выход :
Array is : Resultant new reversed array:
2. Использование метода обратного ()
Python также предоставляет встроенный метод Это непосредственно меняет порядок элементов списка прямо на исходном месте.
Примечание : Таким образом, мы меняем порядок фактического списка. Следовательно, исходный порядок потерян.
#The original array
arr =
print("Before reversal Array is :",arr)
arr.reverse() #reversing using reverse()
print("After reversing Array:",arr)
Выход :
Before reversal Array is : After reversing Array:
3. Использование обратного () метода
У нас еще один метод, Что при прохождении со списком возвращает намерение имеющих только элементы списка в обратном порядке. Если мы используем Метод на этом намечном объекте мы получаем новый список, который содержит наш обратный массив.
#The original array
arr =
print("Original Array is :",arr)
#reversing using reversed()
result=list(reversed(arr))
print("Resultant new reversed Array:",result)
Выход :
Original Array is : Resultant new reversed Array:
Примеры работы с NumPy
Подытожим все вышесказанное. Вот несколько примеров полезных инструментов NumPy, которые могут значительно облегчить процесс написания кода.
Математические формулы NumPy
Необходимость внедрения математических формул, которые будут работать с матрицами и векторами, является главной причиной использования NumPy. Именно поэтому NumPy пользуется большой популярностью среди представителей науки. В качестве примера рассмотрим формулу , которая является центральной для контролируемых моделей машинного обучения, что решают проблемы регрессии:
Реализовать данную формулу в NumPy довольно легко:
Главное достоинство NumPy в том, что его не заботит, если и содержат одно или тысячи значение (до тех пор, пока они оба одного размера). Рассмотрим пример, последовательно изучив четыре операции в следующей строке кода:
У обоих векторов и по три значения. Это значит, что в данном случае равно трем. После выполнения указанного выше вычитания мы получим значения, которые будут выглядеть следующим образом:
Затем мы можем возвести значения вектора в квадрат:
Теперь мы вычисляем эти значения:
Таким образом мы получаем значение ошибки некого прогноза и за качество модели.
Представление данных NumPy
Задумайтесь о всех тех типах данных, которыми вам понадобится оперировать, создавая различные модели работы (электронные таблицы, изображения, аудио и так далее). Очень многие типы могут быть представлены как n-мерные массивы:
Необычное индексирование
Необычное индексирование (fancy indexing) — это термин, принятый в
NumPy для описания индексации с использованием целочисленных
массивов.
Предположим, у нас есть массив размера \( 8 \times 4 \)
In : arr = np.empty((8, 4))
In : for i in range(8):
...: arr = i
In : arr
Out:
array(,
,
,
,
,
,
,
])
Чтобы выбрать подмножество строк в определенном порядке, можно
просто передать список или массив целых чисел, указывающих желаемый
порядок:
In : arr]
Out:
array(,
,
,
])
Использование отрицательных индексов выделяет строки с конца:
In : arr]
Out:
array(,
,
])
Передача нескольких индексных массивов делает кое-что другое:
выбирается одномерный массив элементов, соответствующий каждому
кортежу индексов:
In : arr = np.arange(32).reshape((8, 4))
In : arr
Out:
array(,
,
,
,
,
,
,
])
In : arr, ]
Out: array()
Здесь выбраны элементы с индексами , , и
. Независимо от того какая размерность у массива (в нашем
случае двумерный массив), результат такого индексирования — всегда
одномерный массив.
Поведение индексирования в этом случае немного отличается
от того, что могли ожидать некоторые пользователи, а именно:
пользователь мог ожидать прямоугольную область, сформированную путем
выбора поднабора строк и столбцов матрицы. Ниже представлен один из
способов получения таких массивов с помощью необычного индексирования:
In : arr]]
Out:
array(,
,
,
])
Имейте в виду, что необычное индексирование, в отличие от среза,
всегда копирует данные в новый массив.
Арифметические операции с матрицей
Вы можете выполнять арифметические операции, такие как сложение, вычитание, умножение и деление между матрицами. В следующем примере вы можете увидеть несколько примеров арифметических операций.
import numpy
# initialize two array
x = numpy.array(, ], dtype=numpy.float64)
y = numpy.array(, ], dtype=numpy.float64)
print('Print the two matrices')
print('X = \n', x)
print('Y = \n', y)
# Elementwise sum; both produce the array
print('\nElementwise addition of two matrices: ( X + Y of Matlab )')
print('Add using add operator: \n', x + y)
print('Add using add function: \n', numpy.add(x, y))
# Elementwise difference; both produce the array
print('\nElementwise subtraction of two matrices: ( X - Y of Matlab )')
print('Subtract using operator: \n', x - y)
print('Subtract using function: \n', numpy.subtract(x, y))
# Elementwise product; both produce the array
print('\nElementwise Multiplication of two matrices: ( X .* Y of Matlab )')
print('Multiply using operator: \n', x * y)
print('Multiply using function: \n', numpy.multiply(x, y))
# Elementwise division; both produce the array
print('\nElementwise division of two matrices: ( X ./ Y of Matlab )')
print('Division using operator: \n', x / y)
print('Division using function: \n', numpy.divide(x, y))
# Elementwise square root; produces the array
print('\nSquare root each element of X matrix\n', numpy.sqrt(x))
# Matrix Multiplication
print('\nMatrix Multiplication of two matrices: ( X * Y of Matlab )')
print(x.dot(y))
Ниже приведен результат работы вышеуказанной программы матрицы numpy.
X = ] Y = ] Elementwise addition of two matrices: ( X + Y of Matlab ) Add using add operator: ] Add using add function: ] Elementwise subtraction of two matrices: ( X - Y of Matlab ) Subtract using operator: ] Subtract using function: ] Elementwise Multiplication of two matrices: ( X .* Y of Matlab ) Multiply using operator: ] Multiply using function: ] Elementwise division of two matrices: ( X ./ Y of Matlab ) Division using operator: ] Division using function: ] Square root each element of X matrix ] Matrix Multiplication of two matrices: ( X * Y of Matlab ) ]
Пример 4: Укладка 3-D Numpy массива с помощью функции vstack
import numpy as np.array(, ], , ]])
print ("First Input array : \n", x) .array(, ], , ]])
print ("Second Input array : \n", y) .vstack((x, y))
print ("Vertically stacked array:\n ", res)
Выход:
Объяснение
Мы можем использовать эту функцию для укладки или объединения 3-D массива по вертикали (по строкам). Вместо 1-D массива или 2-D массива в приведенном выше примере мы объявили и инициализировали два 3-D массива. После инициализации мы сохранили их в двух переменных, ‘x и y’ соответственно. Следуя части хранения, мы использовали эту функцию для укладки 3-D массива в вертикальном порядке (по строкам).
Примечание: Форма входных массивов должна быть одинаковой.
Создание массивов с помощью функции array
Теперь, когда мы
знаем основные типы данных, как их указывать и использовать, вернемся к функции
array() и подробнее
рассмотрим ее работу.
Как я уже
отмечал, первым параметром следует указывать итерированный объект в виде списка
или кортежа. Например, так:
np.array( (1, 2, 3) )
Или можно
сформировать список с использованием инструмента listcomprehensions:
def getList():
for i in range(10):
yield i
a = np.array( x for x in getList() )
print(a)
Здесь в качестве
итератора используется функция-итератор getList(). Но если
передать строку:
np.array( "Hello" )
то получим массив
из одного элемента:
array(‘Hello’,
dtype='<U5′)
Строки не
разбиваются на символы, так как элементами массива выступают только элементы
списка или кортежа.
Объявление многомерных массивов
Теперь давайте
посмотрим, как можно создавать массивы больших размерностей. И начнем с
двумерных. Предположим, требуется определить матрицу, размерностью 3×2 элемента. Это
можно сделать так:
a = np.array(1, 2, 3, 4, 5, 6)
То есть, мы
передали двумерный список и он был преобразован в двумерный массив. В консоли
увидим следующее его отображение:
array(,
,
])
Но, если указать
не прямоугольный двумерный список, например, так:
a = np.array(1, 2, 3, 4, 5, 6, 7)
то при создании
двумерной матрицы будет выдана ошибка. Матрицы должны содержать определенное
число столбцов и строк, то есть, быть прямоугольной таблицей чисел. Здесь же мы
передаем третьей строкой список из трех элементов и это приводит к ошибке.
Далее, если
требуется объявить трехмерную матрицу, то это будет выглядеть уже так:
b = np.array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12)
И при ее выводе
в консоли увидим следующее:
array(,
],
,
],
,
]])
То есть, у нас
здесь в основном списке перечислены двумерные списки и все это преобразуется в
трехмерный массив.
Расположение осей многомерного массива
И здесь главный
вопрос: как располагаются оси многомерных массивов?Ответ вполне очевиден. Вдоль
первой оси (axis0) для
трехмерного массива будут располагаться двумерные срезы (матрицы), а остальные
две оси (axis1 и axis2) будут
определять строки и столбцы этих двумерных матриц:
Например, выполнив
в консоли команду
b
увидим первый
двумерный срез трехмерного массива:
array(,
])
Если указать
первые два индекса:
b,
то увидим первую
строку первого среза:
array()
Наконец, указав
все три индекса:
b, ,
получим первый
элемент трехмерной матрицы:
1
Из этих примеров
хорошо видно, что первый индекс отвечает за первую ось, второй – за вторую, ну
а третий – за третью. Что вполне логично. Если размерность массива
увеличивается до четырех, пяти и так далее осей, то принцип индексирования
сохраняется: мы также указываем требуемый индекс элемента в виде кортежа чисел:
(x1, x3, x3, …, xN)
где
местоположение каждого числа определяет ось, по которой берется тот или иной
индекс.
Итак, на этом
занятии мы с вами познакомились с базовыми типами данных
пакета NumPy и узнали как
создавать различные массивы с помощью функции array(). Если вам все
это понятно, значит цель этого занятия достигнута.
Видео по теме
#1. Пакет numpy — установка и первое знакомство | NumPy уроки
#2. Основные типы данных. Создание массивов функцией array() | NumPy уроки
#3. Функции автозаполнения, создания матриц и числовых диапазонов | NumPy уроки
#4. Свойства и представления массивов, создание их копий | NumPy уроки
#5. Изменение формы массивов, добавление и удаление осей | NumPy уроки
#6. Объединение и разделение массивов | NumPy уроки
#7. Индексация, срезы, итерирование массивов | NumPy уроки
#8. Базовые математические операции над массивами | NumPy уроки
#9. Булевы операции и функции, значения inf и nan | NumPy уроки
#10. Базовые математические функции | NumPy уроки
#11. Произведение матриц и векторов, элементы линейной алгебры | NumPy уроки
#12. Множества (unique) и операции над ними | NumPy уроки
#13. Транслирование массивов | NumPy уроки
Примеры функции вычитания Numpy
Давайте рассмотрим примеры функции Numpy subtract() и посмотрим, как она работает.
Пример 1: Использование Функции Np.subtract() Для вычитания двух чисел
import numpy as np
print ("1st Input number : ", a1)
print ("2nd Input number : ", a2)
.subtract(a1, a2)
print ("Difference of two input number : ", dif)
Выход:
Объяснение
В этом простом первом примере мы просто вычитаем два числа и получим результат. Давайте посмотрим на каждый шаг и узнаем, что происходит на каждом этапе. Во-первых, мы импортировали модуль numpy как np это очевидно, потому что мы работаем над библиотекой numpy. После этого мы взяли два предопределенных входа ’24’, ’13’, и хранил их в переменных ‘a1’, ‘a2’ соответственно. Мы напечатали наши входные данные, чтобы проверить, правильно ли они указаны или нет. Затем начинается основная часть, где мы найдем разницу между двумя числами.
Здесь с помощью функции np.subtract() мы вычислим разницу между a1 и a2. Эта операция вычитания идентична тому, что мы делаем в математике.
Таким образом, мы получим разницу между числом 24 и 13, которое является 11.
import numpy as np
a1 =
a2 =
print ("1st Input array : ", a1)
print ("2nd Input array : ", a2)
.subtract(a1, a2)
print ("Difference of two input arrays : ", dif)
Выход:
1st Input array : 2nd Input array : Difference of two input arrays :
Объяснение
Из этого примера все становится немного сложнее; вместо чисел мы использовали массивы в качестве нашего входного значения. Теперь мы можем видеть, что у нас есть два входных массива a1 и a2 с входами массива и , соответственно. Функция numpy.subtract() найдет разницу между аргументами массива a1 и a2 по элементам.
Таким образом, решение будет представлять собой массив с формой, равной входным массивам a1 и a2. Разница между a1 и a2 будет вычисляться параллельно, и результат будет сохранен в переменной of.
import numpy as np
a1 = , ]
a2 = , ]
print ("1st Input array : ", a1)
print ("2nd Input array : ", a2)
.subtract(a1, a2)
print ("Difference of two input arrays : ", dif)
Выход:
Объяснение
Третий пример в этом учебнике numpy subtract() немного похож на второй пример, который мы уже проходили. То, что мы сделали здесь в этом примере, заключается в том, что вместо простого массива numpy мы использовали многомерный массив в обоих наших входных значениях a1 и a2.
Убедитесь, что оба входных массива должны иметь одинаковый размер и одинаковую форму. Функция numpy.subtract() найдет разницу между href=”https://en.wikipedia.org/wiki/Array_data_structure”>массив аргументов , по элементам. href=”https://en.wikipedia.org/wiki/Array_data_structure”>массив аргументов , по элементам.
Массив Python
Python поддерживает все операции, связанные с массивом через объект своего списка. Начнем с одномерного инициализации массива.
Пример массива Python
Элементы массива Python определены в скобках И они разлучены запятыми. Ниже приведен пример объявления одномерного массива Python.
arr = print (arr) print (arr) print (arr)
Выход из двухмерного массива пример программы будет:
3 5
Индексирование массива начинается от 0. Таким образом, значение индекса 2 переменной ARR составляет 3.
В некоторых других языках программирования, такие как Java, когда мы определяем массив, нам также нужно определить тип элемента, поэтому мы ограничиваем хранение только в том виде данных в массиве. Например, умеет хранить только целые данные.
Но Python дает нам гибкость иметь различные данные данных в том же массиве. Это круто, верно? Давайте посмотрим пример.
student_marks = marks = student_marks+student_marks print(student_marks + ' has got in total = %d + %f = %f ' % (student_marks, student_marks, marks ))
Он дает следующий выход:
Akkas has got in total = 45 + 36.500000 = 81.500000 marks
В приведенном выше примере вы можете увидеть это, Массив имеют три типа данных – строка, int и float.
Python многомерный массив
Двухмерный массив в Python может быть объявлен следующим образом.
arr2d = , ] print(arr2d) # prints elements of row 0 print(arr2d) # prints elements of row 1 print(arr2d) # prints element of row = 1, column = 1
Это даст следующий вывод:
4
Точно так же мы можем определить трехмерный массив или многомерный массив в Python.
Примеры массива Python
Теперь, когда мы знаем, как определить и инициализировать массив в Python. Мы рассмотрим разные операции, которые мы можем выполнить на массиве Python.
Массив Python, проходящая с использованием для петли
Мы можем использовать для петли для прохождения сквозь элементы массива. Ниже приведен простой пример для цикла для прохождения через массив.
arrayElement = for i in range(len(arrayElement)): print(arrayElement)
Ниже изображения показывает вывод, создаваемый вышеупомянутым примером примера массива.
Пересекающий 2D-массив, используя для петли
Следующий код распечатает элементы ROW-WISE, а затем следующая часть печатает каждый элемент данного массива.
arrayElement2D = , ]
for i in range(len(arrayElement2D)):
print(arrayElement2D)
for i in range(len(arrayElement2D)):
for j in range(len(arrayElement2D)):
print(arrayElement2D)
Это выведет:
Python Array Append
arrayElement =
arrayElement.append('Four')
arrayElement.append('Five')
for i in range(len(arrayElement)):
print(arrayElement)
Новый элемент четыре и пять будут добавлены в конце массива.
One 2 Three Four Five
Вы также можете добавить массив на другой массив. Следующий код показывает, как вы можете сделать это.
arrayElement = newArray = arrayElement.append(newArray); print(arrayElement)
]
Теперь наш одномерный массив наращивания превращается в многомерное массив.
Массив Python размер
Мы можем использовать Функция для определения размера массива. Давайте посмотрим на простой пример для длины массива Python.
arr = arr2d = ,] print(len(arr)) print(len(arr2d)) print(len(arr2d)) print(len(arr2d))
Нарезание массива Python
Python предоставляет особый способ создания массива из другого массива, используя нотацию среза. Давайте посмотрим на несколько примеров ломтиков наращиваний Python.
arr = #python array slice arr1 = arr #start to index 2 print(arr1) arr1 = arr #index 2 to end of arr print(arr1) arr1 = arr #start to index 2 print(arr1) arr1 = arr #copy of whole arr print(arr1) arr1 = arr # from index 1 to index 5 with step 2 print(arr1)
Ниже приведены изображение Python Array Slice Program Example.
Мы можем вставить элемент в массиве, используя функция.
arr = arr.insert(3,10) print(arr)
Python Array POP.
Мы можем вызвать функцию POP на массиве, чтобы удалить элемент из массива по указанному индексу.
arr = arr.insert(3,10) print(arr) arr.pop(3) print(arr)
Это все о массиве Python и разных операций, которые мы можем выполнить для массивов в Python.
1.4.1.4. Basic visualization¶
Now that we have our first data arrays, we are going to visualize them.
Start by launching IPython:
$ ipython # or ipython3 depending on your install
Or the notebook:
$ jupyter notebook
Once IPython has started, enable interactive plots:
>>> %matplotlib
Or, from the notebook, enable plots in the notebook:
>>> %matplotlib inline
The is important for the notebook, so that plots are displayed in
the notebook and not in a new window.
Matplotlib is a 2D plotting package. We can import its functions as below:
>>> import matplotlib.pyplot as plt # the tidy way
And then use (note that you have to use explicitly if you have not enabled interactive plots with ):
>>> plt.plot(x, y) # line plot >>> plt.show() # <-- shows the plot (not needed with interactive plots)
Or, if you have enabled interactive plots with :
>>> plt.plot(x, y) # line plot
1D plotting:
>>> x = np.linspace(, 3, 20) >>> y = np.linspace(, 9, 20) >>> plt.plot(x, y) # line plot >>> plt.plot(x, y, 'o') # dot plot
2D arrays (such as images):
>>> image = np.random.rand(30, 30) >>> plt.imshow(image, cmap=plt.cm.hot) <matplotlib.image.AxesImage object at ...> >>> plt.colorbar() <matplotlib.colorbar.Colorbar object at ...>
See also
More in the:
Логическое (Boolean) индексирование
Рассмотрим следующий пример: пусть есть массив с данными (случайными)
и массив, содержащий имена с повторениями:
In : names = np.array()
In : data = np.random.randn(7, 4)
In : names
Out: array(, dtype='<U4')
In : data
Out:
array(,
,
,
,
,
,
])
Предположим, что каждое имя соответствует строке в массиве , и
мы хотим выбрать все строки с соответствующим именем . Как и
арифметические операции, операции сравнения (такие как ) с
массивами также векторизованы. Таким образом, сравнение массива
со строкой возвращает булев массив:
In : names == 'Bob' Out: array()
Этот булев массив может использоваться при индексировании массива:
In : data
Out:
array(,
])
Булев массив должен быть той же длины, что и ось массива, по которой
осуществляется индексация. Вы даже можете смешивать и сопоставлять
логические массивы со срезами или целыми числами (или
последовательностями целых чисел).
In : data
Out:
array(,
])
In : data
Out: array()
Чтобы выбрать все, кроме , можно использовать или
обращение условия :
In : names != 'Bob'
Out: array()
In : data
Out:
array(,
,
,
,
])
Оператор может быть полезен при инвертировании общего условия:
In : cond = names == 'Bob'
In : data
Out:
array(,
,
,
,
])
Выбрав два из трех имен для объединения нескольких логических условий,
можно использовать логические арифметические операторы, такие как (и) и
(или):
In : mask = (names == 'Bob') | (names == 'Will')
In : mask
Out: array()
In : data
Out:
array(,
,
,
])
Выбор данных из массива с помощью логического индексирования всегда
создает копию данных, даже если возвращаемый массив не изменяется.
Предупреждение
Ключевые слова Python и не работают с булевыми массивами.
Используйте (и) и (или).
Присвоение значений массивам работает обычным образом. Замену
всех отрицательных значений на можно сделать следующим образом:
In : data =
In : data
Out:
array(,
,
,
,
,
,
])
Можно также легко присваивать значения целым строкам или столбцам:
In : data = 7
In : data
Out:
array(,
,
,
,
,
,
])
Примеры поиска Numpy процентиля
Давайте подробно разберемся в процентильной функции модуля numpy с помощью примеров:
1. Numpy процентиль с использованием 1-d массива
Мы будем использовать 1-D массив для вычисления процентиля массива, взяв входной массив.
#using 1-D array
#numpy.percentile() method
import numpy as np
arr =
print("Array : ",arr)
x = np.percentile(arr, 50)
print("50 percentile : ",x)
Выход:
Array : 50 percentile : 5.0
Объяснение:
Здесь, во-первых, мы импортировали модуль numpy в python как np. Во-вторых, мы взяли 1-d массив. В-третьих, мы напечатали входной массив. В-четвертых, мы использовали метод процентиля как np.percentile (), в котором мы дали arr и 50 процентилей в качестве параметра и сохранили это значение в переменной x. Наконец, мы напечатали значение x. Следовательно, вывод выводится на экран.
2. использование 2-D массива
Мы будем использовать 2-D массив для вычисления процентиля массива, взяв входной массив.
#using 2-D array
#numpy.percentile() method
import numpy as np
arr = ,]
print("Array : ",arr)
x = np.percentile(arr, 50)
print("50 percentile : ",x)
Выход:
Array : , ] 50 percentile : 6.0
Объяснение:
Здесь, во-первых, мы импортировали модуль numpy в python как np. Во-вторых, мы взяли 2-d массив. В-третьих, мы напечатали входной массив. В-четвертых, мы использовали метод процентиля как np.percentile (), в котором мы дали arr и 50 процентилей в качестве параметра и сохранили это значение в переменной x. Наконец, мы напечатали значение x. Следовательно, вывод выводится на экран.
3. Использование процентиля Numpy в 2-D массиве
Мы будем использовать axis в 2-D массиве для вычисления процентиля массива, взяв входной массив.
#using 2-D array axis = 0
#numpy.percentile() method
import numpy as np
arr = ,]
print("Array : ",arr)
x = np.percentile(arr, 25, axis = 0)
print("50 percentile : ",x)
Выход:
Array : , ] 50 percentile :
Объяснение:
Здесь, во-первых, мы импортировали модуль numpy в python как np. Во-вторых, мы взяли 2-d массив. В-третьих, мы напечатали входной массив. В-четвертых, мы использовали метод процентиля в качестве np.percentile (), в котором мы дали are, 25 процентилей, и в качестве параметра и сохранили это значение в переменной x. Наконец, мы напечатали значение x. Следовательно, вывод выводится на экран.
4. использование в 2-d массиве
Мы будем использовать axis в 2-D массиве для вычисления процентиля массива, взяв входной массив.
#using 2-D array axis = 1
#numpy.percentile() method
import numpy as np
arr = ,]
print("Array : ",arr)
x = np.percentile(arr, 25, axis = 1)
print("50 percentile : ",x)
Выход:
Array : , ] 50 percentile :
Объяснение:
Здесь, во-первых, мы импортировали модуль numpy в python как np. Во-вторых, мы взяли 2-d массив. В-третьих, мы напечатали входной массив. В-четвертых, мы использовали метод процентиля в качестве np.percentile (), в котором мы дали are, 25 процентилей, и в качестве параметра и сохранили это значение в переменной x. Наконец, мы напечатали значение x. Следовательно, вывод выводится на экран.
5. Numpy процентиль с использованием и в 2-D массиве
Мы будем использовать axis и в 2-D массиве для вычисления процентиля массива путем взятия входного массива.
#using 2-D array axis = 1 and Keepdims = True
#numpy.percentile() method
import numpy as np
arr = ,]
print("Array : ",arr)
x = np.percentile(arr, 50, axis = 1, keepdims = True)
print("50 percentile : ",x)
Выход:
Array : , ] 50 percentile : ]
Объяснение:
Здесь, во-первых, мы импортировали модуль numpy в python как np. Во-вторых, мы взяли 2-d массив. В-третьих, мы напечатали входной массив. В-четвертых, мы использовали метод процентиля в качестве np.percentile (), в котором мы дали arr, 50 процентилей, и в качестве параметра. Значение сохранило это значение в переменной x. Наконец, мы напечатали значение x. Следовательно, вывод выводится на экран.
6. использование параметра Out в 2-d массиве
Мы будем использовать axis и out в 2-D массиве для вычисления процентиля массива путем взятия входного массива.
import numpy as np
arr = ,]
print("Array : ",arr)
m = np.percentile(arr, 50, axis=0)
out = np.zeros_like(m)
x = np.percentile(arr, 50, axis=0, out=out)
print("50 percentile : ",x)
Выход:
Array : , ] 50 percentile :
Объяснение:
Здесь, во-первых, мы импортировали модуль numpy в python как np. Во-вторых, мы взяли 2-d массив. В-третьих, мы напечатали входной массив. В-четвертых, мы использовали метод процентиля как np.percentile (), в котором мы дали are, 50 процентилей, и out(выходной массив той же формы и длины буфера) в качестве параметра. Значение сохранило это значение в переменной x. Наконец, мы напечатали значение x. Следовательно, вывод выводится на экран.
Как поиск Numpy массивы для определенных элементов?
Давайте посмотрим, как 5 функций, используемых для поиска Numpy Racay подробно:
- Функция argmax ()
- Функция nanargmax ()
- Функция аргмина ()
- Функция Nargmin ()
- Поиск функции, где ()
1. функция numpy argmax ()
С Numpy argmax () Функция Мы можем легко получить и отображать индекс максимального (крупнейшего) элемента, присутствующего в структуре массива.
Для этого индекс самых больших элементов является результирующим значением из функции argmax ().
Синтаксис:
numpy.argmax() function
Пример:
import numpy as np
data = np.array(,])
res = np.argmax(data)
print(data)
print("Max element's index:", res)
Выход:
В приведенном выше примере мы создали две массивы того же типа данных. Кроме того, применили функцию Argmax (), чтобы получить индекс максимального элемента из всех элементов. Как 99 – самый большой элемент, 1 отображается в качестве результирующего значения индекса.
] Max element's index: 1
2. Функция NANARGMAX NANARARGMAX ()
С Нанаргмакс () Функция Мы можем легко справиться с NAN или нулевыми значениями, присутствующими в массиве. То есть он не лечится по-разному. Затем значения NAN не влияют на функционирование значений поиска.
Синтаксис:
numpy.nanargmax()
Пример:
В приведенном ниже примере элементы массива содержат нулевое значение, передаваемое с использованием функции numpy.nan. Кроме того, теперь мы используем функцию NANARGMAX () для поиска NUMPY-массивов и находить максимальное значение из элементов массива, не позволяя NAN-элементу, влияющему на поиск.
import numpy as np
data = np.array(,])
res = np.nanargmax(data)
print(data)
print("Max element's index:", res)
Выход:
] Max element's index: 1
3. Numpy Argmin () Функция
С Функция Argmin () , мы можем найти замечательные массивы и извлечь индекс наименьших элементов, присутствующих в массиве в более широком масштабе. Он ищет наименьшее значение, присутствующее в структуре массива и возвращает индекс того же. Таким образом, с индексом мы можем легко получить наименьший элемент, присутствующий в массиве.
Синтаксис:
numpy.argmin() function
Пример:
import numpy as np
data = np.array(,])
res = np.argmin(data)
print(data)
print("Min element's index:", res)
Выход:
Как видно ниже, есть два индекса, которые занимают самый низкий элемент I.E. . Но функция ARGMIN () возвращает индекс первого вхождения наименьшего элемента из значений массива.
] Min element's index: 4
4. Numpy где () функция
С Где () функция , мы можем легко найти Numpy Armays для значений индекса любого элемента, который соответствует условию, переданному в качестве параметра к функции.
Синтаксис:
numpy.where(condition)
Пример:
import numpy as np
data = np.array(,])
res = np.where(data == 2)
print(data)
print("Searched element's index:", res)
Выход:
В этом примере мы искали элемент из массива, значение которого равно 2. Далее, к которому функция где () возвращает индекс массива и тип данных того же.
] Searched element's index: (array(, dtype=int64))
5. функция nanargmin () numpy
С Нанаргмин () Функция Мы можем легко найти Numpy Armays, чтобы найти индекс наименьшего значения, присутствующего в элементах массива, без необходимости беспокоиться о значениях NAN, присутствующих в них. Нулевые значения имеют нулевое влияние на поиск элементов.
Синтаксис:
numpy.nanargmin()
Пример:
import numpy as np
data = np.array(,])
res = np.nanargmin(data)
print(data)
print("Searched element's index:", res)
Выход:
] Searched element's index: 4
Using reverse() function
- In this method, we can easily use the function reverse() to reverse an original array.
- The reversed() method always returns the reversed iterator of the given sequence.
- It reverses an array at its original position, hence it doesn’t require any extra space for containing the results.
- It is an inbuilt function in the Python programming language that reverses elements of the list in place.
Example:
Let’s take an example to check how to implement a reverse NumPy array by using the reverse() function.
In the above code, we will import a numpy array library and then create an original array and pass array as a parameter
Here is the Screenshot of the following given code
Python reverse numpy array reverse method
Синтаксис
Давайте начнем с синтаксиса функции . Вот так он выглядит в общем виде:
Эта функция может принимать три аргумента. Первый и второй аргументы являются обязательными, а третий — опциональный.
Исходный массив NumPy, форму которого мы хотим изменить, – это значение первого аргумента ().
Форма массива устанавливается во втором аргументе (). Его значение может быть целым числом или кортежем целых чисел.
Значение третьего аргумента определяет порядок заполнения массива и переноса элементов в преобразованном массиве. Возможных значений три: «C», «F» или «A». Давайте разберем, что значит каждый из этих вариантов.
order=’C’
Упорядочивание индексов в стиле языка C. Индекс последней оси изменяется быстрее, а индекс первой — медленнее.
Упорядочение в стиле C. Источник
order=’F’
Упорядочивания индексов в стиле языка Фортран. Индекс первой оси изменяется быстрее, а индекс последней — медленнее.
Упорядочение в стиле Fortran
order=’A’
Варианты «C» и «F» не учитывают макет памяти основного массива. Они относятся лишь к порядку индексации. Порядок «A» означает чтение и запись элементов в стиле Фортран, если исходный массив в памяти тоже в стиле Фортран. В противном случае применяется C-подобный стиль.
