NumPy ఆర్రే వికల్పం
- ముందు పేజీ NumPy ఆర్రే రీఫార్మ్
- తరువాత పేజీ NumPy ఆర్రే జత
数组迭代
迭代意味着逐一遍历元素。
当我们在 numpy 中处理多维数组时,可以使用 python 的基本 for 循环来完成此操作。
如果我们对 1-D 数组进行迭代,它将逐一遍历每个元素。
ప్రతిమ
ఈ ఒక్క అంతరాయంలో అర్రేయ్స్ ని పరిత్యాగంలో చూసుకొని ఉంచండి
import numpy as np arr = np.array([1, 2, 3]) for x in arr: print(x)
2-D అర్రేయ్స్ ని పరిత్యాగంలో చేయండి
2-D అర్రేయ్స్ లో, ఇది అన్ని వరుసలను పరిత్యాగంలో చూసుకొని ఉంచుతుంది.
ప్రతిమ
ఈ రెండు అంతరాయంలో అర్రేయ్స్ ని పరిత్యాగంలో చూసుకొని ఉంచండి:
import numpy as np arr = np.array([[1, 2, 3], [4, 5, 6]]) for x in arr: print(x)
మాకు n-D అర్రేయ్స్ ని పరిత్యాగంలో చేసినప్పుడు, ఇది ఒక్కొక్క సారి ని పరిత్యాగంలో చూసుకొని ఉంచుతుంది.
వాస్తవ విలువలు, స్కాలర్స్ ని తిరిగి పొందడానికి మాకు ప్రతి అంతరాయంలో అర్రేయ్స్ ని పరిత్యాగంలో చేయాలి.
ప్రతిమ
2-D అర్రేయ్స్ ప్రతి స్కాలర్ అంశాన్ని పరిత్యాగంలో చూసుకొని ఉంచండి
import numpy as np arr = np.array([[1, 2, 3], [4, 5, 6]]) for x in arr: for y in x: print(y)
3-D అర్రేయ్స్ ని పరిత్యాగంలో చేయండి
3-D అర్రేయ్స్ లో, ఇది అన్ని 2-D అర్రేయ్స్ ని పరిత్యాగంలో చూసుకొని ఉంచుతుంది.
ప్రతిమ
ఈ 3-D అర్రేయ్స్ ని పరిత్యాగంలో చూసుకొని ఉంచండి:
import numpy as np arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) for x in arr: print(x)
వాస్తవ విలువలు, స్కాలర్స్ ని తిరిగి పొందడానికి మాకు ప్రతి అంతరాయంలో అర్రేయ్స్ ని పరిత్యాగంలో చేయాలి.
ప్రతిమ
స్కాలర్ వరకు పరిత్యాగంలో చేయండి
import numpy as np arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) for x in arr: for y in x: for z in y: print(z)
nditer() ద్వారా అర్రేయ్స్ ని పరిత్యాగంలో చేయండి
ఫంక్షన్ nditer()
ఇది అనువర్తనం ఫంక్షన్, అంతరాయంలో నిర్వహించడానికి ఉపయోగించవచ్చు మరియు అనేక అంతరాయాలను పరిష్కరించవచ్చు. మాకు ఉదాహరణల ద్వారా చూపండి.
ప్రతి స్కాలర్ అంశాన్ని పరిత్యాగంలో చూసుకొని ఉంచండి
ప్రాథమిక లో for
పరిత్యాగంలో, అర్రేయ్స్ ప్రతి స్కాలర్ ప్రయాణించడానికి మాకు n చివరలు ఉపయోగించాలి for
పరిత్యాగంలో అనేక అంతరాయాలను రాయడం చాలా కష్టం కావచ్చు.
ప్రతిమ
ఈ 3-D అర్రేయ్స్ ని పరిత్యాగంలో చూసుకొని ఉంచండి:
import numpy as np arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) for x in np.nditer(arr): print(x)
వివిధ డేటా రకాలను కలిగిన అర్రేయ్స్ నిర్వహించడానికి
మేము ఉపయోగించవచ్చు op_dtypes
పారామీటర్స్ అందించండి మరియు దాని రకం మార్చడానికి ఆశించిన డేటా రకాన్ని పాస్ చేయండి మరియు పరిత్యాగంలో మార్చడానికి ప్రయత్నించండి.
NumPy ప్రతిమ అంశాల డేటా రకాన్ని స్థానికంగా మార్చబడదు (అంశాలు పట్టికలో ఉన్నాయి), ఈ కార్యకలాపానికి మరికొంత అదనపు స్థలాన్ని అవసరం, ఈ అదనపు స్థలాన్ని buffer అని పిలుస్తారు, ఈ పనిని]} nditer()
దానిని స్టాబుల్లో అనుమతిస్తే, మాత్రమే మేము అనుమతించబడిన పరామితులు పంపిస్తాము flags=['buffered']
.
ప్రతిమ
స్ట్రింగ్ రూపంలో పట్టికను పరిశీలించండి:
import numpy as np arr = np.array([1, 2, 3]) for x in np.nditer(arr, flags=['buffered'], op_dtypes=['S']) print(x)
వివిధ స్టాప్ లో క్రమబద్ధంగా వెళ్ళండి
సమస్యను సమాధానంగా పరిష్కరించి, దానిని క్రమంగా వెళ్ళడానికి ఉపయోగించవచ్చు.
ప్రతిమ
2D పట్టికలోని ఒక స్కాలర్ అంశాన్ని ప్రతిసారి సరక్కులో వెళ్ళి మరొక అంశాన్ని పార్చి వెళ్ళడం జరుగుతుంది:
import numpy as np arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]]) for x in np.nditer(arr,): print(x)
ndenumerate() ద్వారా క్రమబద్ధంగా ప్రస్తావించండి
క్రమబద్ధంగా ప్రస్తావించడం అనగా క్రమంగా ప్రస్తావించడం.
కొన్నిసార్లు, సంకేతపత్రాలను క్రమంగా ప్రస్తావించడానికి మనం ఎక్కువగా ఉపయోగిస్తాము, ఈ ఉపయోగాలకు ఉపయోగించవచ్చు ndenumerate()
పద్ధతి.
ప్రతిమ
క్రమబద్ధంగా ప్రస్తావించండి 1D పట్టిక అంశాలు:
import numpy as np arr = np.array([1, 2, 3]) for idx, x in np.ndenumerate(arr): print(idx, x)
ప్రతిమ
క్రమబద్ధంగా క్రమానుసరంగా ప్రస్తావించండి 2D పట్టిక అంశాలు:
import numpy as np arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]]) for idx, x in np.ndenumerate(arr): print(idx, x)
- ముందు పేజీ NumPy ఆర్రే రీఫార్మ్
- తరువాత పేజీ NumPy ఆర్రే జత