Lernen Sie Numpy-Slicing-Techniken kennen, um die Verarbeitung großer Datenmengen zu vereinfachen

Beherrschen Sie die Numpy-Slicing-Operationsmethode und verarbeiten Sie große Datenmengen problemlos.

Zusammenfassung:
Bei der Verarbeitung großer Datenmengen ist es sehr wichtig, geeignete Tools zu verwenden. Numpy ist eine häufig verwendete Bibliothek in Python, die leistungsstarke numerische Berechnungswerkzeuge bereitstellt. In diesem Artikel wird die Slicing-Operationsmethode von Numpy vorgestellt und anhand von Codebeispielen gezeigt, wie Daten bei der Verarbeitung großer Datenmengen einfach bedient und extrahiert werden können.

1. Einführung
   Numpy ist eine häufig verwendete numerische Berechnungsbibliothek in Python, die effiziente Datenverarbeitungswerkzeuge bereitstellt. Der Slicing-Vorgang ist eine sehr mächtige Funktion in Numpy, mit der schnell auf Elemente eines Arrays zugegriffen und diese bearbeitet werden können. Die Slicing-Operation kann flexible Operationen an eindimensionalen, zweidimensionalen und mehrdimensionalen Arrays ausführen, wodurch das Schreiben von Schleifen eingespart und die Operationsgeschwindigkeit verbessert wird.
2. Eindimensionales Array-Slicing
   Schauen wir uns zunächst die Slicing-Operationsmethode eines eindimensionalen Arrays an. Angenommen, wir haben ein eindimensionales Array a mit 10 Elementen:

import numpy as np

a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

Wir können Doppelpunkt: verwenden, um den Bereich des Slice anzugeben. Der Beispielcode lautet wie folgt:

# 切片操作
b = a[2:6]  # 从下标2到下标5的元素
print(b)  # 输出：[2 3 4 5]

c = a[:4]  # 从开头到下标3的元素
print(c)  # 输出：[0 1 2 3]

d = a[6:]  # 从下标6到末尾的元素
print(d)  # 输出：[6 7 8 9]

e = a[::3]  # 每隔2个元素取一个
print(e)  # 输出：[0 3 6 9]

3. Zweidimensionales Array-Slicing
   Als nächstes schauen wir uns die Slicing-Operationsmethode des zweidimensionalen Arrays an. Angenommen, wir haben ein zweidimensionales 2x3-Array b:

b = np.array([[0, 1, 2],
              [3, 4, 5]])

Wir können den Bereich des Slice durch Kommas angeben. Der Beispielcode lautet wie folgt:

# 切片操作
c = b[0]  # 提取第0行的元素
print(c)  # 输出：[0 1 2]

d = b[:, 1]  # 提取所有行的第1列元素
print(d)  # 输出：[1 4]

e = b[:2, 1:]  # 提取前两行以及第二列之后的元素
print(e)  # 输出：[[1 2]
           #       [4 5]]

4. Multidimensionales Array-Slicing
   Beim Umgang mit mehrdimensionalen Arrays sind Slicing-Vorgänge ebenfalls sehr praktisch. Angenommen, wir haben ein dreidimensionales 3x3x3-Array c:

c = np.array([[[0, 1, 2],
               [3, 4, 5],
               [6, 7, 8]],
              [[9, 10, 11],
               [12, 13, 14],
               [15, 16, 17]],
              [[18, 19, 20],
               [21, 22, 23],
               [24, 25, 26]]])

Wir können den Bereich des Slice angeben, indem wir die Anzahl der Kommas erhöhen. Der Beispielcode lautet wie folgt:

# 切片操作
d = c[0]  # 提取第0个二维数组
print(d)  # 输出：[[0 1 2]
           #       [3 4 5]
           #       [6 7 8]]

e = c[:, 1, :]  # 提取所有二维数组的第1行的元素
print(e)  # 输出：[[ 3  4  5]
           #       [12 13 14]
           #       [21 22 23]]

f = c[:, :, ::2]  # 提取所有二维数组的每隔一个元素的列
print(f)  # 输出：[[[ 0  2]
           #        [ 3  5]
           #        [ 6  8]]
           #       [[ 9 11]
           #        [12 14]
           #        [15 17]]
           #       [[18 20]
           #        [21 23]
           #        [24 26]]]

5. Zusammenfassung
   Dieser Artikel stellt die Slicing-Operationsmethode von Numpy vor und veranschaulicht anhand spezifischer Codebeispiele, wie Slicing-Operationen verwendet werden können, um große Datenmengen einfach zu verarbeiten. Slicing-Operationen können flexible Operationen an eindimensionalen, zweidimensionalen und mehrdimensionalen Arrays ausführen, was die Effizienz der Datenverarbeitung und die Lesbarkeit von Code erheblich verbessern kann. Sobald Sie die Numpy-Slicing-Operationsmethode beherrschen, wird es einfacher, große Datenmengen zu verarbeiten.

Referenzen:

• Ein Leitfaden zu NumPy USA: Trelgol Publishing
• https://numpy.org/doc/stable/reference/
• https://numpy. org/doc/stable/user/quickstart.html

Codebeispiel:

import numpy as np

# 一维数组切片
a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
b = a[2:6]
c = a[:4]
d = a[6:]
e = a[::3]

# 二维数组切片
b = np.array([[0, 1, 2],
              [3, 4, 5]])
c = b[0]
d = b[:, 1]
e = b[:2, 1:]

# 多维数组切片
c = np.array([[[0, 1, 2],
               [3, 4, 5],
               [6, 7, 8]],
              [[9, 10, 11],
               [12, 13, 14],
               [15, 16, 17]],
              [[18, 19, 20],
               [21, 22, 23],
               [24, 25, 26]]])
d = c[0]
e = c[:, 1, :]
f = c[:, :, ::2]

Das obige ist der detaillierte Inhalt vonLernen Sie Numpy-Slicing-Techniken kennen, um die Verarbeitung großer Datenmengen zu vereinfachen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!