Periksa apakah array adalah python satu dimensi

Di numpy, kita dapat memeriksa apakah tidak ada elemen dari array yang diberikan adalah nol atau tidak dengan bantuan numpy. semua() fungsi. Dalam fungsi ini berikan array sebagai parameter. Jika salah satu elemen dari array yang diteruskan adalah nol maka ia mengembalikan False jika tidak ia mengembalikan nilai boolean True

Sintaksis. numpy. semua (rangkaian)

Parameter. Sebuah array

Kembali. Nilai Boolean (Benar atau Salah)

Elemen-elemen dari array NumPy yang diberikan adalah nol atau tidak dengan Python

Contoh 1

Di sini kita dapat melihat bahwa array diteruskan ke semua fungsi dan karena ada nol dalam array, ia mengembalikan False

Anda mungkin telah memperhatikan bahwa, dalam beberapa kasus, elemen array ditampilkan dengan tanda titik (mis. g.

>>> import numpy as np

>>> import numpy as np

In [1]: L = range(1000)

In [2]: %timeit [i**2 for i in L]
1000 loops, best of 3: 403 us per loop

In [3]: a = np.arange(1000)

In [4]: %timeit a**2
100000 loops, best of 3: 12.7 us per loop

Tip

Tipe data yang berbeda memungkinkan kita untuk menyimpan data dengan lebih kompak di memori, tetapi sebagian besar waktu kita hanya bekerja dengan angka floating point. Perhatikan bahwa, pada contoh di atas, NumPy secara otomatis mendeteksi tipe data dari input

Anda dapat secara eksplisit menentukan tipe data yang Anda inginkan

In [1]: L = range(1000)

In [2]: %timeit [i**2 for i in L]
1000 loops, best of 3: 403 us per loop

In [3]: a = np.arange(1000)

In [4]: %timeit a**2
100000 loops, best of 3: 12.7 us per loop

Tipe data default adalah floating point

In [1]: L = range(1000)

In [2]: %timeit [i**2 for i in L]
1000 loops, best of 3: 403 us per loop

In [3]: a = np.arange(1000)

In [4]: %timeit a**2
100000 loops, best of 3: 12.7 us per loop

Ada juga jenis lainnya

In [1]: L = range(1000)

In [2]: %timeit [i**2 for i in L]
1000 loops, best of 3: 403 us per loop

In [3]: a = np.arange(1000)

In [4]: %timeit a**2
100000 loops, best of 3: 12.7 us per loop

In [1]: L = range(1000)

In [2]: %timeit [i**2 for i in L]
1000 loops, best of 3: 403 us per loop

In [3]: a = np.arange(1000)

In [4]: %timeit a**2
100000 loops, best of 3: 12.7 us per loop

In [1]: L = range(1000)

In [2]: %timeit [i**2 for i in L]
1000 loops, best of 3: 403 us per loop

In [3]: a = np.arange(1000)

In [4]: %timeit a**2
100000 loops, best of 3: 12.7 us per loop

• >>> a = np.array([0, 1, 2, 3])
  >>> a
  array([0, 1, 2, 3])
  >>> a.ndim
  1
  >>> a.shape
  (4,)
  >>> len(a)
  4
  

  _0

• >>> a = np.array([0, 1, 2, 3])
  >>> a
  array([0, 1, 2, 3])
  >>> a.ndim
  1
  >>> a.shape
  (4,)
  >>> len(a)
  4
  

  _1

• >>> a = np.array([0, 1, 2, 3])
  >>> a
  array([0, 1, 2, 3])
  >>> a.ndim
  1
  >>> a.shape
  (4,)
  >>> len(a)
  4
  

  _2

• >>> a = np.array([0, 1, 2, 3])
  >>> a
  array([0, 1, 2, 3])
  >>> a.ndim
  1
  >>> a.shape
  (4,)
  >>> len(a)
  4
  

  _3

Sekarang kita memiliki array data pertama kita, kita akan memvisualisasikannya

Mulailah dengan meluncurkan IPython

In [1]: L = range(1000)

In [2]: %timeit [i**2 for i in L]
1000 loops, best of 3: 403 us per loop

In [3]: a = np.arange(1000)

In [4]: %timeit a**2
100000 loops, best of 3: 12.7 us per loop

Atau buku catatan

In [1]: L = range(1000)

In [2]: %timeit [i**2 for i in L]
1000 loops, best of 3: 403 us per loop

In [3]: a = np.arange(1000)

In [4]: %timeit a**2
100000 loops, best of 3: 12.7 us per loop

Setelah IPython dimulai, aktifkan plot interaktif

In [5]: np.array?
String Form:<built-in function array>
Docstring:
array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ...

Atau, dari notebook, aktifkan plot di notebook

In [5]: np.array?
String Form:<built-in function array>
Docstring:
array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ...

>>> a = np.array([0, 1, 2, 3])
>>> a
array([0, 1, 2, 3])
>>> a.ndim
1
>>> a.shape
(4,)
>>> len(a)
4

Matplotlib adalah paket perencanaan 2D. Kita dapat mengimpor fungsinya seperti di bawah ini

In [5]: np.array?
String Form:<built-in function array>
Docstring:
array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ...

Dan kemudian gunakan (perhatikan bahwa Anda harus menggunakan

>>> a = np.array([0, 1, 2, 3])
>>> a
array([0, 1, 2, 3])
>>> a.ndim
1
>>> a.shape
(4,)
>>> len(a)
4

>>> a = np.array([0, 1, 2, 3])
>>> a
array([0, 1, 2, 3])
>>> a.ndim
1
>>> a.shape
(4,)
>>> len(a)
4

In [5]: np.array?
String Form:<built-in function array>
Docstring:
array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ...

Atau, jika Anda telah mengaktifkan plot interaktif dengan

>>> a = np.array([0, 1, 2, 3])
>>> a
array([0, 1, 2, 3])
>>> a.ndim
1
>>> a.shape
(4,)
>>> len(a)
4

In [5]: np.array?
String Form:<built-in function array>
Docstring:
array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ...

• merencanakan 1D

In [5]: np.array?
String Form:<built-in function array>
Docstring:
array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ...

• Array 2D (seperti gambar)

In [5]: np.array?
String Form:<built-in function array>
Docstring:
array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ...

Lihat juga

Lebih banyak di.

Latihan. Visualisasi sederhana

• Plot beberapa array sederhana. cosinus sebagai fungsi waktu dan matriks 2D
• Coba gunakan peta warna

  >>> a = np.array([0, 1, 2, 3])
  >>> a
  array([0, 1, 2, 3])
  >>> a.ndim
  1
  >>> a.shape
  (4,)
  >>> len(a)
  4
  

  _8 pada matriks 2D

Item dari array dapat diakses dan ditetapkan dengan cara yang sama seperti urutan Python lainnya (mis. g. daftar)

In [5]: np.array?
String Form:<built-in function array>
Docstring:
array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ...

Peringatan

Indeks dimulai dari 0, seperti urutan Python lainnya (dan C/C++). Sebaliknya, di Fortran atau Matlab, indeks dimulai dari 1

Ungkapan python biasa untuk membalikkan urutan didukung

In [5]: np.array?
String Form:<built-in function array>
Docstring:
array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ...

Untuk array multidimensi, indeks adalah tupel bilangan bulat

In [5]: np.array?
String Form:<built-in function array>
Docstring:
array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ...

Catatan

• Dalam 2D, dimensi pertama sesuai dengan baris, yang kedua sesuai dengan kolom
• untuk multidimensi

  >>> a = np.array([0, 1, 2, 3])
  >>> a
  array([0, 1, 2, 3])
  >>> a.ndim
  1
  >>> a.shape
  (4,)
  >>> len(a)
  4
  

  9,

  >>> b = np.array([[0, 1, 2], [3, 4, 5]])    # 2 x 3 array
  >>> b
  array([[0, 1, 2],
         [3, 4, 5]])
  >>> b.ndim
  2
  >>> b.shape
  (2, 3)
  >>> len(b)     # returns the size of the first dimension
  2
  
  >>> c = np.array([[[1], [2]], [[3], [4]]])
  >>> c
  array([[[1],
          [2]],
  
         [[3],
          [4]]])
  >>> c.shape
  (2, 2, 1)
  

  0 diartikan dengan mengambil semua elemen dalam dimensi yang tidak ditentukan

Mengiris. Array, seperti urutan Python lainnya juga bisa diiris

>>> np.lookfor('create array') 
Search results for 'create array'
---------------------------------
numpy.array
    Create an array.
numpy.memmap
    Create a memory-map to an array stored in a *binary* file on disk.

Perhatikan bahwa indeks terakhir tidak disertakan.

>>> np.lookfor('create array') 
Search results for 'create array'
---------------------------------
numpy.array
    Create an array.
numpy.memmap
    Create a memory-map to an array stored in a *binary* file on disk.

Ketiga komponen irisan tidak diperlukan. secara default, awal adalah 0, akhir adalah yang terakhir dan langkah adalah 1

>>> np.lookfor('create array') 
Search results for 'create array'
---------------------------------
numpy.array
    Create an array.
numpy.memmap
    Create a memory-map to an array stored in a *binary* file on disk.

Ringkasan bergambar kecil tentang pengindeksan dan pengirisan NumPy…

Anda juga dapat menggabungkan penugasan dan pemotongan

>>> np.lookfor('create array') 
Search results for 'create array'
---------------------------------
numpy.array
    Create an array.
numpy.memmap
    Create a memory-map to an array stored in a *binary* file on disk.

Latihan. Mengindeks dan mengiris

• Cobalah berbagai rasa mengiris, menggunakan

  >>> b = np.array([[0, 1, 2], [3, 4, 5]])    # 2 x 3 array
  >>> b
  array([[0, 1, 2],
         [3, 4, 5]])
  >>> b.ndim
  2
  >>> b.shape
  (2, 3)
  >>> len(b)     # returns the size of the first dimension
  2
  
  >>> c = np.array([[[1], [2]], [[3], [4]]])
  >>> c
  array([[[1],
          [2]],
  
         [[3],
          [4]]])
  >>> c.shape
  (2, 2, 1)
  

  1,

  >>> b = np.array([[0, 1, 2], [3, 4, 5]])    # 2 x 3 array
  >>> b
  array([[0, 1, 2],
         [3, 4, 5]])
  >>> b.ndim
  2
  >>> b.shape
  (2, 3)
  >>> len(b)     # returns the size of the first dimension
  2
  
  >>> c = np.array([[[1], [2]], [[3], [4]]])
  >>> c
  array([[[1],
          [2]],
  
         [[3],
          [4]]])
  >>> c.shape
  (2, 2, 1)
  

  2 dan

  >>> b = np.array([[0, 1, 2], [3, 4, 5]])    # 2 x 3 array
  >>> b
  array([[0, 1, 2],
         [3, 4, 5]])
  >>> b.ndim
  2
  >>> b.shape
  (2, 3)
  >>> len(b)     # returns the size of the first dimension
  2
  
  >>> c = np.array([[[1], [2]], [[3], [4]]])
  >>> c
  array([[[1],
          [2]],
  
         [[3],
          [4]]])
  >>> c.shape
  (2, 2, 1)
  

  3. mulai dari linspace, usahakan mendapatkan bilangan ganjil yang menghitung mundur, dan bilangan genap yang menghitung maju

• Reproduksi irisan dalam diagram di atas. Anda dapat menggunakan ekspresi berikut untuk membuat array

  >>> np.lookfor('create array') 
  Search results for 'create array'
  ---------------------------------
  numpy.array
      Create an array.
  numpy.memmap
      Create a memory-map to an array stored in a *binary* file on disk.
  

  4

Latihan. Pembuatan larik

Buat array berikut (dengan tipe data yang benar)

>>> np.lookfor('create array') 
Search results for 'create array'
---------------------------------
numpy.array
    Create an array.
numpy.memmap
    Create a memory-map to an array stored in a *binary* file on disk.

Sama saja. masing-masing 3 pernyataan

Petunjuk. Elemen array individu dapat diakses mirip dengan daftar, mis. g.

>>> b = np.array([[0, 1, 2], [3, 4, 5]])    # 2 x 3 array
>>> b
array([[0, 1, 2],
       [3, 4, 5]])
>>> b.ndim
2
>>> b.shape
(2, 3)
>>> len(b)     # returns the size of the first dimension
2

>>> c = np.array([[[1], [2]], [[3], [4]]])
>>> c
array([[[1],
        [2]],

       [[3],
        [4]]])
>>> c.shape
(2, 2, 1)

>>> b = np.array([[0, 1, 2], [3, 4, 5]])    # 2 x 3 array
>>> b
array([[0, 1, 2],
       [3, 4, 5]])
>>> b.ndim
2
>>> b.shape
(2, 3)
>>> len(b)     # returns the size of the first dimension
2

>>> c = np.array([[[1], [2]], [[3], [4]]])
>>> c
array([[[1],
        [2]],

       [[3],
        [4]]])
>>> c.shape
(2, 2, 1)

Petunjuk. Periksa docstring untuk

>>> import numpy as np

Latihan. Ubin untuk pembuatan array

Telusuri dokumentasi untuk

>>> b = np.array([[0, 1, 2], [3, 4, 5]])    # 2 x 3 array
>>> b
array([[0, 1, 2],
       [3, 4, 5]])
>>> b.ndim
2
>>> b.shape
(2, 3)
>>> len(b)     # returns the size of the first dimension
2

>>> c = np.array([[[1], [2]], [[3], [4]]])
>>> c
array([[[1],
        [2]],

       [[3],
        [4]]])
>>> c.shape
(2, 2, 1)

>>> np.lookfor('create array') 
Search results for 'create array'
---------------------------------
numpy.array
    Create an array.
numpy.memmap
    Create a memory-map to an array stored in a *binary* file on disk.

Operasi pemotongan membuat tampilan pada larik asli, yang hanya merupakan cara untuk mengakses data larik. Dengan demikian array asli tidak disalin dalam memori. Anda dapat menggunakan

>>> b = np.array([[0, 1, 2], [3, 4, 5]])    # 2 x 3 array
>>> b
array([[0, 1, 2],
       [3, 4, 5]])
>>> b.ndim
2
>>> b.shape
(2, 3)
>>> len(b)     # returns the size of the first dimension
2

>>> c = np.array([[[1], [2]], [[3], [4]]])
>>> c
array([[[1],
        [2]],

       [[3],
        [4]]])
>>> c.shape
(2, 2, 1)

Saat memodifikasi tampilan, larik asli juga dimodifikasi

>>> np.lookfor('create array') 
Search results for 'create array'
---------------------------------
numpy.array
    Create an array.
numpy.memmap
    Create a memory-map to an array stored in a *binary* file on disk.

Perilaku ini mungkin mengejutkan pada pandangan pertama… tetapi memungkinkan untuk menghemat memori dan waktu

Contoh yang berhasil. Saringan bilangan prima

Hitung bilangan prima dalam 0–99, dengan saringan

• Membangun bentuk (100,) array boolean

  >>> b = np.array([[0, 1, 2], [3, 4, 5]])    # 2 x 3 array
  >>> b
  array([[0, 1, 2],
         [3, 4, 5]])
  >>> b.ndim
  2
  >>> b.shape
  (2, 3)
  >>> len(b)     # returns the size of the first dimension
  2
  
  >>> c = np.array([[[1], [2]], [[3], [4]]])
  >>> c
  array([[[1],
          [2]],
  
         [[3],
          [4]]])
  >>> c.shape
  (2, 2, 1)
  

  9, diisi dengan True di awal

>>> np.lookfor('create array') 
Search results for 'create array'
---------------------------------
numpy.array
    Create an array.
numpy.memmap
    Create a memory-map to an array stored in a *binary* file on disk.

• Coret 0 dan 1 yang bukan bilangan prima

>>> np.lookfor('create array') 
Search results for 'create array'
---------------------------------
numpy.array
    Create an array.
numpy.memmap
    Create a memory-map to an array stored in a *binary* file on disk.

• Untuk setiap bilangan bulat

  >>> a = np.arange(10) # 0 . n-1  (!)
  >>> a
  array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
  >>> b = np.arange(1, 9, 2) # start, end (exclusive), step
  >>> b
  array([1, 3, 5, 7])
  

  _0 mulai dari 2, coret kelipatannya yang lebih tinggi

In [6]: np.con*?
np.concatenate
np.conj
np.conjugate
np.convolve

• Telusuri

  >>> a = np.arange(10) # 0 . n-1  (!)
  >>> a
  array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
  >>> b = np.arange(1, 9, 2) # start, end (exclusive), step
  >>> b
  array([1, 3, 5, 7])
  

  _1, dan cetak bilangan prima

• Menindaklanjuti

  • Pindahkan kode di atas ke dalam file skrip bernama

    >>> a = np.arange(10) # 0 . n-1  (!)
    >>> a
    array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    >>> b = np.arange(1, 9, 2) # start, end (exclusive), step
    >>> b
    array([1, 3, 5, 7])
    

    2
  • Jalankan untuk memeriksa apakah berfungsi
  • Gunakan pengoptimalan yang disarankan dalam saringan Eratosthenes

  1. Lewati

     >>> a = np.arange(10) # 0 . n-1  (!)
     >>> a
     array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
     >>> b = np.arange(1, 9, 2) # start, end (exclusive), step
     >>> b
     array([1, 3, 5, 7])
     

     _0 yang sudah diketahui bukan bilangan prima
  2. Angka pertama yang dicoret adalah
     

Tip

Array NumPy dapat diindeks dengan irisan, tetapi juga dengan array boolean atau integer (topeng). Metode ini disebut pengindeksan mewah. Itu menciptakan salinan bukan tampilan

Menggunakan topeng boolean

In [6]: np.con*?
np.concatenate
np.conj
np.conjugate
np.convolve

Pengindeksan dengan topeng bisa sangat berguna untuk menetapkan nilai baru ke sub-array

In [6]: np.con*?
np.concatenate
np.conj
np.conjugate
np.convolve

Pengindeksan dengan array bilangan bulat

In [6]: np.con*?
np.concatenate
np.conj
np.conjugate
np.convolve

Pengindeksan dapat dilakukan dengan array bilangan bulat, di mana indeks yang sama diulang beberapa kali

In [6]: np.con*?
np.concatenate
np.conj
np.conjugate
np.convolve

Nilai baru dapat diberikan dengan pengindeksan semacam ini

In [6]: np.con*?
np.concatenate
np.conj
np.conjugate
np.convolve

Tip

Ketika array baru dibuat dengan mengindeks dengan array bilangan bulat, array baru memiliki bentuk yang sama dengan array bilangan bulat

Bagaimana Anda memeriksa apakah sebuah array adalah Python 1D atau 2D?

Apakah satu

Bagaimana Anda mengidentifikasi array dimensi tunggal?

Bagaimana Anda memeriksa dimensi dengan Python?