TechCodeview

Ndarray ist das in Numpy definierte n-dimensionale Array-Objekt, das die Sammlung ähnlicher Elementtypen speichert. Mit anderen Worten, wir können ein ndarray als Sammlung der Datentypobjekte (dtype) definieren.

Auf das ndarray-Objekt kann mithilfe der 0-basierten Indizierung zugegriffen werden. Jedes Element des Array-Objekts enthält die gleiche Größe im Speicher.

Erstellen eines Ndarray-Objekts

Das Ndarray-Objekt kann mithilfe der Array-Routine des Numpy-Moduls erstellt werden. Zu diesem Zweck müssen wir die Numpy importieren.

 >>> a = numpy.array 

Betrachten Sie das folgende Bild.

Wir können auch ein Sammlungsobjekt an die Array-Routine übergeben, um das entsprechende n-dimensionale Array zu erstellen. Die Syntax ist unten angegeben.

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

Die Parameter werden in der folgenden Tabelle beschrieben.

Um ein Array mithilfe der Liste zu erstellen, verwenden Sie die folgende Syntax.

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

Um ein mehrdimensionales Array-Objekt zu erstellen, verwenden Sie die folgende Syntax.

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

Um den Datentyp der Array-Elemente zu ändern, geben Sie den Namen des Datentyps zusammen mit der Sammlung an.

Host-Linux

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

Ermitteln der Abmessungen des Arrays

Der da ich bin Mit der Funktion können die Abmessungen des Arrays ermittelt werden.

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

Ermitteln der Größe jedes Array-Elements

Die Funktion „itemsize“ wird verwendet, um die Größe jedes Array-Elements zu ermitteln. Es gibt die Anzahl der von jedem Array-Element belegten Bytes zurück.

Betrachten Sie das folgende Beispiel.

Beispiel

 #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') 

Ausgabe:

 Each item contains 8 bytes. 

Ermitteln des Datentyps jedes Array-Elements

Um den Datentyp jedes Array-Elements zu überprüfen, wird die Funktion dtype verwendet. Betrachten Sie das folgende Beispiel, um den Datentyp der Array-Elemente zu überprüfen.

Beispiel

 #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) 

Ausgabe:

 Each item is of the type int64 

Ermitteln der Form und Größe des Arrays

Um die Form und Größe des Arrays zu ermitteln, wird die mit dem Numpy-Array verknüpfte Größen- und Formfunktion verwendet.

Betrachten Sie das folgende Beispiel.

Beispiel

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

Ausgabe:

 Array Size: 7 Shape: (1, 7) 

Umformen der Array-Objekte

Mit der Form des Arrays meinen wir die Anzahl der Zeilen und Spalten eines mehrdimensionalen Arrays. Das Numpy-Modul bietet uns jedoch die Möglichkeit, das Array umzuformen, indem wir die Anzahl der Zeilen und Spalten des mehrdimensionalen Arrays ändern.

int in string umwandeln

Die mit dem ndarray-Objekt verknüpfte Funktion reshape() wird zum Umformen des Arrays verwendet. Es akzeptiert die beiden Parameter, die die Zeile und Spalten der neuen Form des Arrays angeben.

Lassen Sie uns das im folgenden Bild angegebene Array umformen.

Formatieren Sie ein Datum in Java

Beispiel

 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) 

Ausgabe:

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

Schneiden im Array

Das Slicing im NumPy-Array ist die Möglichkeit, eine Reihe von Elementen aus einem Array zu extrahieren. Das Slicing im Array erfolgt auf die gleiche Weise wie in der Python-Liste.

Betrachten Sie das folgende Beispiel zum Drucken eines bestimmten Elements des Arrays.

Beispiel

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

Ausgabe:

 2 5 

Das obige Programm druckt die 2^ndElement aus der 0^ThIndex und 0^ThElement aus dem 2^ndIndex des Arrays.

Linspace

Die Funktion linspace() gibt die gleichmäßig verteilten Werte über das angegebene Intervall zurück. Das folgende Beispiel gibt die 10 gleichmäßig getrennten Werte über das angegebene Intervall 5-15 zurück

Beispiel

 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) 

Ausgabe:

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

Ermitteln des Maximums, Minimums und der Summe der Array-Elemente

NumPy bietet die Funktionen max(), min() und sum(), mit denen das Maximum, das Minimum und die Summe der Array-Elemente ermittelt werden.

Betrachten Sie das folgende Beispiel.

Beispiel

 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()) 

Ausgabe:

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

NumPy-Array-Achse

Ein mehrdimensionales NumPy-Array wird durch die Achse dargestellt, wobei Achse-0 die Spalten und Achse-1 die Zeilen darstellt. Wir können die Achse erwähnen, um Berechnungen auf Zeilen- oder Spaltenebene durchzuführen, beispielsweise das Hinzufügen von Zeilen- oder Spaltenelementen.

Betrachten Sie das folgende Beispiel, um das maximale Element in jeder Spalte, das minimale Element in jeder Zeile und die Addition aller Zeilenelemente zu berechnen.

Beispiel

 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)) 

Ausgabe:

 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] 

Quadratwurzel und Standardabweichung ermitteln

Die mit dem Numpy-Array verbundenen Funktionen sqrt() und std() werden verwendet, um die Quadratwurzel bzw. die Standardabweichung der Array-Elemente zu ermitteln.

Wie viele Früchte gibt es?

Standardabweichung bedeutet, wie stark jedes Element des Arrays vom Mittelwert des Numpy-Arrays abweicht.

Betrachten Sie das folgende Beispiel.

Beispiel

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

Ausgabe:

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

Arithmetische Operationen auf dem Array

Mit dem Numpy-Modul können wir arithmetische Operationen direkt auf mehrdimensionalen Arrays ausführen.

Im folgenden Beispiel werden die arithmetischen Operationen an den beiden mehrdimensionalen Arrays a und b durchgeführt.

Beispiel

 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-Verkettung

Numpy ermöglicht uns die vertikale und horizontale Stapelung, wodurch wir zwei mehrdimensionale Arrays vertikal oder horizontal verketten können.

Betrachten Sie das folgende Beispiel.

Beispiel

 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))) 

Ausgabe:

 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]]