Optimumkan kaedah pemprosesan data dan analisis mendalam penyambungan tatasusunan numpy

Numpy ialah salah satu perpustakaan penting untuk pengiraan berangka dalam Python Ia menyediakan fungsi matematik yang kaya dan operasi tatasusunan yang cekap, menjadikan pemprosesan data lebih cekap dan ringkas. Dalam numpy, penyambungan tatasusunan ialah salah satu operasi biasa Artikel ini akan memperkenalkan kaedah penyambungan tatasusunan secara numpy secara terperinci dan memberikan contoh kod tertentu.

1. Pengenalan kepada kaedah penyambungan tatasusunan

Dalam numpy, penyambungan tatasusunan boleh dibahagikan kepada dua kaedah: penyambungan mendatar dan penyambungan menegak. Penyambungan mendatar adalah untuk menyambung dua atau lebih tatasusunan dalam arah mendatar untuk membentuk tatasusunan yang lebih besar manakala penyambungan menegak adalah untuk menyambung dua atau lebih tatasusunan dalam arah menegak untuk membentuk tatasusunan yang lebih panjang;

2. Penjelasan terperinci kaedah penyambungan mendatar

1. fungsi np.concatenate()

np.concatenate() ialah fungsi yang digunakan untuk penyambungan tatasusunan dalam numpy. . Penggunaan khusus adalah seperti berikut:

np.concatenate((array1, array2, ...), axis=1)

Antaranya, array1, array2, dsb. ialah tatasusunan yang akan disambung, dan axis=1 bermakna penyambungan dalam arah mendatar. Contohnya adalah seperti berikut:

import numpy sebagai np

array1 = np.array([[1, 2, 3], [4, 5, 6]])
array2 = np.array([[7, 8] , 9] , [10, 11, 12]])

hasil = np.concatenate((array1, array2), axis=1)
print(hasil)

Hasil output ialah:

[[ 1 2 3 7 8 9]
[4 5 6 10 11 12]]

2. np.hstack() fungsi

np.hstack() ialah fungsi dalam numpy untuk tatasusunan mendatar arah untuk penyambungan. Penggunaan khusus adalah seperti berikut:

np.hstack((array1, array2, ...))

Antaranya, array1, array2, dll. ialah tatasusunan yang akan disambungkan. Contohnya adalah seperti berikut:

import numpy sebagai np

array1 = np.array([[1, 2, 3], [4, 5, 6]])
array2 = np.array([[7, 8] , 9] , [10, 11, 12]])

hasil = np.hstack((array1, tatasusunan2))
cetak(hasil)

Hasil output ialah:

[[ 1 2 3 7 8 9]
[ 4 5 6 10 11 12]]

3 Penjelasan terperinci kaedah penyambungan menegak

1. np.concatenate() function

np.concatenate() fungsi juga boleh digunakan untuk penyambungan menegak anda sahaja perlu menetapkan parameter paksi kepada 0. Boleh. Penggunaan khusus adalah seperti berikut:

np.concatenate((array1, array2, ...), axis=0)

Antaranya, array1, array2, dsb. ialah tatasusunan yang akan disambung, dan axis=0 bermakna penyambungan dalam arah menegak. Contohnya adalah seperti berikut:

import numpy sebagai np

array1 = np.array([[1, 2, 3], [4, 5, 6]])
array2 = np.array([[7, 8] , 9] , [10, 11, 12]])

hasil = np.concatenate((array1, array2), axis=0)
print(hasil)

Hasil output ialah:

[[ 1 2 3 ]
[ 4 5 6]
[7 8 9]
[10 11 12]]

2. np.vstack() function

np.vstack() fungsi ialah fungsi dalam numpy untuk susunan penyambungan secara menegak gabungkan dua Atau berbilang tatasusunan disatukan secara menegak. Penggunaan khusus adalah seperti berikut:

np.vstack((array1, array2, ...))

Antaranya, array1, array2, dll. ialah tatasusunan yang akan disambungkan. Contohnya adalah seperti berikut:

import numpy sebagai np

array1 = np.array([[1, 2, 3], [4, 5, 6]])
array2 = np.array([[7, 8] , 9] , [10, 11, 12]])

hasil = np.vstack((array1, tatasusunan2))
cetak(hasil)

Hasil output ialah:

[[ 1 2 3]
[ 4 5 6]
[7 8 9]
[10 11 12]]

IV Ringkasan

Dalam numpy, penyambungan tatasusunan ialah salah satu operasi yang biasa digunakan dalam pemprosesan data. Artikel ini memperkenalkan kaedah penyambungan tatasusunan dalam numpy, iaitu fungsi np.concatenate(), fungsi np.hstack() dan fungsi np.vstack() serta menyediakan arahan penggunaan dan contoh kod terperinci. Dengan mempelajari dan menguasai kaedah ini, pemprosesan data boleh dibuat dengan lebih cekap dan ringkas, dan kebolehbacaan dan kebolehselenggaraan kod boleh dipertingkatkan.

Atas ialah kandungan terperinci Optimumkan kaedah pemprosesan data dan analisis mendalam penyambungan tatasusunan numpy. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!