Heim >Web-Frontend >HTML-Tutorial >Eingehende Analyse der Numpy-Slicing-Operationen und deren Anwendung im tatsächlichen Kampf

Eingehende Analyse der Numpy-Slicing-Operationen und deren Anwendung im tatsächlichen Kampf

WBOY
WBOYOriginal
2024-01-26 08:52:05535Durchsuche

Eingehende Analyse der Numpy-Slicing-Operationen und deren Anwendung im tatsächlichen Kampf

Detaillierte Erläuterung der Numpy-Slicing-Operationsmethode und praktische Anwendungsanleitung

Einführung: Numpy ist eine der beliebtesten wissenschaftlichen Rechenbibliotheken in Python und bietet leistungsstarke Array-Operationsfunktionen. Unter diesen ist der Slicing-Vorgang eine der am häufigsten verwendeten und leistungsstarken Funktionen in Numpy. In diesem Artikel wird die Slicing-Operationsmethode in Numpy ausführlich vorgestellt und die spezifische Verwendung der Slicing-Operation anhand eines praktischen Anwendungsleitfadens demonstriert.

1. Einführung in die Numpy-Slicing-Operationsmethode

Numpys Slicing-Operation bezieht sich auf das Erhalten einer Teilmenge eines Arrays durch Angabe eines Indexintervalls. Seine Grundform ist: array[start:end:step]. Unter diesen repräsentiert start den Startindex (inklusive), end repräsentiert den Endindex (exklusiv) und step repräsentiert die Schrittgröße (Standard ist 1). Gleichzeitig unterstützt Numpy auch die Verwendung weggelassener Parameter und negativer Indizes.

  1. Grundlegende Verwendung des Slicing-Vorgangs
    Werfen wir zunächst einen Blick auf die grundlegende Verwendung des Slicing-Vorgangs von Numpy.

numpy als np importieren

Ein eindimensionales Array erstellen

arr = np.arange(10)
print(arr) # Ausgabe: [0 1 2 3 4 5 6 7 8 9]

Das Array in Scheiben schneiden Operation

result = arr[2:6]
print(result) # Ausgabe: [2 3 4 5]

Das Array in Scheiben schneiden und die Schrittgröße ändern

result = arr[1:9:2]
print ( Ergebnis) # Ausgabe: [1 3 5 7]

  1. Verwendung weggelassener Parameter
    Das Weglassen von Parametern kann den Slicing-Ausdruck vereinfachen. Wenn „start“ weggelassen wird, ist der Standardwert 0; wenn „end“ weggelassen wird, ist der Standardwert die Array-Länge; wenn „step“ weggelassen wird, ist der Standardwert 1.

numpy als np importieren

Ein eindimensionales Array erstellen

arr = np.arange(10)
print(arr) # Ausgabe: [0 1 2 3 4 5 6 7 8 9]

Ausgelassene Parameter verwenden Slicing-Vorgang

result = arr[:5] # Den Startparameter weglassen, der arr[0:5] entspricht
print(result) # Ausgabe: [0 1 2 3 4]

result = arr[5: ] # Endparameter weglassen, entspricht arr[5:10]
print(result) # Ausgabe: [5 6 7 8 9]

result = arr[::2] # Schrittparameter weglassen, entspricht arr[0 :10:2 ]
print(result) # Ausgabe: [0 2 4 6 8]

  1. Verwendung eines negativen Index
    Der negative Index stellt die von hinten nach vorne berechnete Position dar, -1 stellt das letzte Element dar. Durch die negative Indizierung ist es einfach, den Kehrwert eines Arrays zu ermitteln.

numpy als np importieren

Ein eindimensionales Array erstellen

arr = np.arange(10)
print(arr) # Ausgabe: [0 1 2 3 4 5 6 7 8 9]

Negative Indizierung verwenden Slicing-Operation

result = arr[-5:] # bedeutet, die letzten 5 Elemente des Arrays zu nehmen.
print(result) # Ausgabe: [5 6 7 8 9]

result = arr[:-3] # bedeutet, zu nehmen das Array Alle Elemente vor dem drittletzten Element
print(result) # Ausgabe: [0 1 2 3 4 5 6]

2 Praktischer Anwendungsleitfaden für Numpy-Slicing-Operationen in der Datenverarbeitung und im wissenschaftlichen Rechnen ein breites Anwendungsspektrum. Nachfolgend verwenden wir einige konkrete Beispiele, um die Anwendung von Slicing-Operationen zu demonstrieren.

Slicing-Operation für zweidimensionale Arrays
    Für zweidimensionale Arrays können wir Slicing-Operationen verwenden, um Zeilen, Spalten oder Unterarrays auszuwählen.

  1. numpy als np importieren

Erstelle ein zweidimensionales Array

arr = np.array([[1, 2, 3],

            [4, 5, 6],
            [7, 8, 9]])

print(arr)

Wähle die zweite Zeile aus

result = arr [ 1, :]

print(result) # Ausgabe: [4 5 6]


Wählen Sie die zweite Spalte aus

result = arr[:, 1]

print(result) # Ausgabe: [2 5 8]


Select the sub Array

result = arr[1:, 1:]

print(result) # Output: [[5 6]

          #       [8 9]]

Bedingte Slicing-Operation
    Slicing-Operation kann auch in Verbindung mit bedingter Beurteilung verwendet werden, um die zu filtern Array Oder Zuweisung.

  1. numpy als np importieren

Ein eindimensionales Array erstellen

arr = np.array([1, 2, 3, 4, 5])

Elemente größer als 2 im Array zählen

bool_arr = arr > 2

print(bool_arr) # Ausgabe: [False False True True True]


Bedingte Slicing-Operation verwenden, um Elemente größer als 2 auszuwählen

result = arr[bool_arr]

print(result) # Ausgabe: [3 4 5]


Verwenden Sie die bedingte Slicing-Operation, um Elementen größer als 2 einen Wert von 0 zuzuweisen

arr[arr > 2] = 0

print(arr) # Ausgabe: [1 2 0 0 0]


3. Zusammenfassung

Dieser Artikel stellt die grundlegende Verwendung und allgemeine Anwendungsszenarien von Slicing-Operationen in Numpy vor und gibt spezifische Beispielcodes. Slicing-Operationen sind eines der flexiblen und leistungsstarken Tools von Numpy für die Datenverarbeitung und das wissenschaftliche Rechnen ist für die Implementierung komplexer Aufgaben von entscheidender Bedeutung. Durch das Studium dieses Artikels hoffe ich, dass die Leser ein tieferes Verständnis für Slicing-Operationen in Numpy erlangen und diese flexibel in praktischen Anwendungen einsetzen können

Das obige ist der detaillierte Inhalt vonEingehende Analyse der Numpy-Slicing-Operationen und deren Anwendung im tatsächlichen Kampf. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Stellungnahme:
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn