Ajouter, supprimer, modifier et interroger les données du tableau Numpy

Cet article présente principalement l'ajout, la suppression, la modification et l'interrogation des données du tableau Numpy. Il a une certaine valeur de référence. Maintenant, je le partage avec vous. Les amis dans le besoin peuvent s'y référer

<.>Préparation :

Il existe de nombreuses façons d'ajouter, de supprimer, de modifier et de vérifier. En voici seulement quelques-unes couramment utilisées.

>>> import numpy as np 
>>> a = np.array([[1,2],[3,4],[5,6]])#创建3行2列二维数组。 
>>> a 
array([[1, 2], 
  [3, 4], 
  [5, 6]]) 
>>> a = np.zeros(6)#创建长度为6的，元素都是0一维数组 
>>> a = np.zeros((2,3))#创建3行2列，元素都是0的二维数组 
>>> a = np.ones((2,3))#创建3行2列，元素都是1的二维数组 
>>> a = np.empty((2,3)) #创建3行2列,未初始化的二维数组 
>>> a = np.arange(6)#创建长度为6的，元素都是0一维数组array([0, 1, 2, 3, 4, 5]) 
>>> a = np.arange(1,7,1)#结果与np.arange(6)一样。第一，二个参数意思是数值从1〜6,不包括7.第三个参数表步长为1. 
a = np.linspace(0,10,7) # 生成首位是0，末位是10，含7个数的等差数列[ 0.   1.66666667 3.33333333 5.   6.66666667 8.33333333 10.  ] 
a = np.logspace(0,4,5)#用于生成首位是10**0，末位是10**4，含5个数的等比数列。[ 1.00000000e+00 1.00000000e+01 1.00000000e+02 1.00000000e+03 1.00000000e+04]

augmenté

>>> a = np.array([[1,2],[3,4],[5,6]])
>>> b = np.array([[10,20],[30,40],[50,60]])
>>> np.vstack((a,b))
array([[ 1, 2],
  [ 3, 4],
  [ 5, 6],
  [10, 20],
  [30, 40],
  [50, 60]])
>>> np.hstack((a,b))
array([[ 1, 2, 10, 20],
  [ 3, 4, 30, 40],
  [ 5, 6, 50, 60]])

L'ajout direct de tableaux de dimensions différentes n'est évidemment pas autorisé. Cependant, une matrice n × m peut être construite en utilisant un vecteur colonne n et un vecteur ligne colonne m

>>> a = np.array([[1],[2]]) 
>>> a 
array([[1], 
  [2]]) 
>>> b=([[10,20,30]])#生成一个list，注意，不是np.array。 
>>> b 
[[10, 20, 30]] 
>>> a+b 
array([[11, 21, 31], 
  [12, 22, 32]]) 
>>> c = np.array([10,20,30]) 
>>> c 
array([10, 20, 30]) 
>>> c.shape 
(3,) 
>>> a+c 
array([[11, 21, 31], 
  [12, 22, 32]])

Vérifier

>>> a
array([[1, 2],
  [3, 4],
  [5, 6]])
>>> a[0] # array([1, 2])
>>> a[0][1]#2
>>> a[0,1]#2
>>> b = np.arange(6)#array([0, 1, 2, 3, 4, 5])
>>> b[1:3]#右边开区间array([1, 2])
>>> b[:3]#左边默认为 0array([0, 1, 2])
>>> b[3:]#右边默认为元素个数array([3, 4, 5])
>>> b[0:4:2]#下标递增2array([0, 2])

La fonction Where de NumPy utilise

np.where(condition, x, y), le premier paramètre est un tableau booléen, le deuxième paramètre et le troisième paramètre peuvent être des scalaires ou des tableaux.

cond = numpy.array([True,False,True,False]) 
a = numpy.where(cond,-2,2)# [-2 2 -2 2] 
cond = numpy.array([1,2,3,4]) 
a = numpy.where(cond>2,-2,2)# [ 2 2 -2 -2] 
b1 = numpy.array([-1,-2,-3,-4]) 
b2 = numpy.array([1,2,3,4]) 
a = numpy.where(cond>2,b1,b2) # 长度须匹配# [1,2,-3,-4]

Modifié

>>> a = np.array([[1,2],[3,4],[5,6]]) 
>>> a[0] = [11,22]#修改第一行数组[1,2]为[11,22]。 
>>> a[0][0] = 111#修改第一个元素为111,修改后，第一个元素“1”改为“111”。 
 
>>> a = np.array([[1,2],[3,4],[5,6]]) 
>>> b = np.array([[10,20],[30,40],[50,60]]) 
>>> a+b #加法必须在两个相同大小的数组键间运算。 
array([[11, 22], 
  [33, 44], 
  [55, 66]])

L'ajout direct de tableaux de dimensions différentes n'est évidemment pas autorisé. Mais vous pouvez utiliser un vecteur colonne n et un vecteur ligne colonne m pour construire une matrice n×m

>>> a = np.array([[1],[2]])
>>> a
array([[1],
  [2]])
>>> b=([[10,20,30]])#生成一个list，注意，不是np.array。
>>> b
[[10, 20, 30]]
>>> a+b
array([[11, 21, 31],
  [12, 22, 32]])
>>> c = np.array([10,20,30])
>>> c
array([10, 20, 30])
>>> c.shape
(3,)
>>> a+c
array([[11, 21, 31],
  [12, 22, 32]])

tableau et l'addition, la soustraction, la multiplication et l'opération de division d'un nombre équivaut à une diffusion, diffusant cette opération à chaque élément.

>>> a = np.array([[1,2],[3,4],[5,6]]) 
>>> a*2#相当于a中各个元素都乘以2.类似于广播。 
array([[ 2, 4], 
  [ 6, 8], 
  [10, 12]]) 
>>> a**2 
array([[ 1, 4], 
  [ 9, 16], 
  [25, 36]]) 
>>> a>3 
array([[False, False], 
  [False, True], 
  [ True, True]]) 
>>> a+3 
array([[4, 5], 
  [6, 7], 
  [8, 9]]) 
>>> a/2 
array([[0.5, 1. ], 
  [1.5, 2. ], 
  [2.5, 3. ]])

Supprimer

Méthode 1 :

Utilisez la méthode de recherche, telle que a=a[0]. Après l'opération, il ne reste qu'une seule ligne pour a.

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

Méthode 2 :

>>> a = np.array([[1,2],[3,4],[5,6]]) 
>>> np.delete(a,1,axis = 0)#删除a的第二行。 
array([[1, 2], 
  [5, 6]]) 
>>> np.delete(a,(1,2),0)#删除a的第二，三行。 
array([[1, 2]]) 
>>> np.delete(a,1,axis = 1)#删除a的第二列。 
array([[1], 
  [3], 
  [5]])

Troisième méthode :

Divisez d'abord, puis attribuez une valeur en fonction de la tranche a=a[0].

>>> a = np.array([[1,2],[3,4],[5,6]]) 
>>> np.hsplit(a,2)#水平分割（搞不懂，明明是垂直分割嘛？） 
[array([[1], 
  [3], 
  [5]]), array([[2], 
  [4], 
  [6]])] 
>>> np.split(a,2,axis = 1)#与np.hsplit(a,2)效果一样。 
 
>>> np.vsplit(a,3) 
[array([[1, 2]]), array([[3, 4]]), array([[5, 6]])] 
>>> np.split(a,3,axis = 0)#与np.vsplit(a,3)效果一样。

Recommandations associées :

Méthodes de stockage et de lecture des données au format texte dans numpy

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!