Indexation nu

«Numpy est un package en python utilisé pour les calculs sur les tableaux en n dimension. Les axes sont ce que Numpy fait référence à des dimensions, et une opération est ce qu'est l'indexation. Pour récupérer une collection spécifique de valeurs à partir d'un tableau Numpy, utilisez la fonction d'indexation. La valeur et le placement de la valeur dans le tableau sont des choses différentes; Ainsi, nous devons garder à l'esprit que l'index dans un ndarray commence à zéro. Dans cet article, nous étudierons l'indexation Numpy et expliquerons comment récupérer les valeurs d'un tableau à l'aide de ses indices."

Qu'est-ce que l'indexation Numpy?

Pour accéder aux valeurs dans des tableaux unidimensionnels et multidimensionnels, Python utilise une indexation de réseau Numpy. L'indexation des commandes C est utilisée par Numpy. En conséquence, l'emplacement de mémoire le plus rapide est généralement représenté par l'index final, tandis que le premier index indique généralement le même emplacement de mémoire.

Python standard a la syntaxe «x [obj]», où x est un tableau, et obj (un objet) est une sélection. Ils peuvent être utilisés pour indexer NDARRAY en fonction du type d'objet. Les deux types d'indexation qui seront couverts aujourd'hui sont l'indexation de base et l'indexation avancée. Les exemples que nous utiliserons facilitent la façon d'utiliser l'indexation lors de la référence aux données dans un tableau.

Exemple 1

Le premier cas est l'indexation de base. L'indexation et la division le long des dimensions du tableau sont connues sous le nom d'indexation de base. Il existe trois types d'indexation de base: l'indexation des éléments, le tranchage de base et les outils d'indexation dimensionnels, qui incluent des «ellipses» et des «nouveaux axes."

Notre premier cas démontrera l'utilisation de l'indexation à un seul élément dans l'indexation de base.

Importer Numpy comme NP
a = np.Arange (20)
imprimer (a [8])
Imprimer (A [-5])

Comme nous pouvons le voir sur la sortie, l'indexation de base fonctionne exactement comme n'importe quelle autre séquence Python standard. Il est basé sur zéro et permet aux indices négatifs de commencer à la fin du tableau. Ici, en utilisant le code, nous avons d'abord défini la variable «A» et passé la valeur à l'aide du NP.Fonction Arange, puis a sélectionné l'entier négatif 5 pour calculer la sortie.

Exemple 2

Notre deuxième exemple montrera l'utilisation du tranchage de base. Le tranchage de base étend le concept de base de tranchage en python à n dimensions, et il se produit lorsque «Obj» est une combinaison d'objets et d'entiers de tranche ou d'un objet de tranche entier. La syntaxe de base de la tranche est x: y: z, où x représente l'index de démarrage, y représente l'index d'arrêt et z est l'étape non nulle.

Regardons maintenant le code:

Importer Numpy comme NP
a = np.Array ([7, 8, 9, 10, 11, 12, 13, 14, 15])
Imprimer (A [2: 11: 3])

Le résultat que nous obtenons est:

Les x et y négatifs sont interprétés comme n + x et + y, où n représente le nombre d'éléments dans la dimension correspondante. Z négatif Z provoquera une marche vers des indices plus petits. En utilisant les mêmes valeurs d'en haut, nous exécutons le code suivant pour obtenir le résultat du tableau. Le code est un [-7: 15], et le tableau est son résultat.

La sortie est donnée ici.

Pour les dimensions suivantes, il est supposé qu'il y a moins de n objets dans le tuple de sélection. Le code est:

Ici (2, 3, 1) est généré, comme vous pouvez le voir ci-dessous.

Exemple 3

Dans cet exemple, nous utiliserons les ellipses et la nouvelle outils d'indexation dimensionnels, ainsi qu'une combinaison des deux.

Voir l'écran ci-dessous.

Ces deux codes sont égaux les uns aux autres, et l'exécution de ces codes donnera la même sortie.

Voici une idée, nous devons rejoindre deux types d'indexation, les basiques et avancés:

A […, 0]
a [:, :, 0
Importer Numpy comme NP
Imprimer ('Combinaison d'indexation de base et avancée:')
a = np.Arange (6)
imprimer (a [:, np.newaxis] + a [np.Newaxis ,:])

La variable définie «A» utilise le NP.fonction Arange et passe la valeur «6». La deuxième ligne de code déclare la valeur de la variable comme «[: np. newaxis] + a [np.Nouvelle -xie ,:] ». La sortie pour l'exécution du code est comme ci-dessous.

Maintenant, nous passons à l'indexation avancée dans l'indexation Numpy.

Exemple 4

Ce cas examine le premier type d'indexation avancée, appelée indexation entière. Chaque élément de la première dimension est associé à un élément de la deuxième dimension lors de l'indexation avec des entiers. En conséquence, les éléments correspondants sont choisis avec les indices d'élément (0,0), (1,0) et (2,1) dans cet exemple.

Importer Numpy comme NP
a = np.Array ([[7, 8], [9, 10], [11, 12]])
Imprimer (A [[0, 1, 1], [0, 0, 1]])

La sortie est:

Exemple 5

Pour cet exemple, nous devons essayer de combiner l'indexation de base et l'indexation avancée.

Importer Numpy comme NP
a = np.Array ([[7, 8, 9], [10, 11, 12],
[13, 14, 15], [16, 17, 18]])
Imprimer (A [1: 2, 1: 3])
Imprimer (A [1: 2, [1,2]])

Tout d'abord, nous entrons la commande pour importer Numpy, puis nous définissons la variable «A», puis passons la valeur à l'aide du NP.fonction du tableau. La sortie que nous obtenons est:

Exemple 6

Parlons des expressions booléennes comme index. C'est une expression logique qui se traduit par «vrai» ou «faux». Seuls les éléments qui satisfont l'expression booléenne sont retournés. En utilisant cette méthode, les valeurs d'élément requises sont filtrées.

Notre scénario consiste à sélectionner un nombre supérieur à 15 parmi certaines valeurs. Le code que nous exécutons est: '

Importer Numpy comme NP
a = np.Array ([5, 8, 15, 17, 20])
imprimer (a [a> 15])

Après avoir défini la variable et transmis les valeurs ci-dessus au NP.Fonction du tableau, nous imprimons pour une valeur supérieure au nombre 15 et obtenons la sortie suivante:

S'il n'y a qu'un seul tableau booléen et pas de tableau entier, la forme de sortie sera unidimensionnelle et contiendra le nombre d'éléments réels du tableau booléen, suivi des dimensions restantes du tableau indexé. Exécutons le code suivant:

Importer Numpy
ABC = Numpy.Arange (15).Reshape (3, 5)
yz = ABC> 20
imprimer (yz [:, 3])

Les fonctions que nous utilisons dans ce code sont celles de NP.arange () et rehape () après avoir défini la variable comme «ABC» et la deuxième variable comme «yz» dont la valeur est «ABC» est supérieure à 15.

Lors de l'exécution du code, nous obtenons le résultat suivant.

Conclusion

Dans cet article, nous avons appris la définition de l'indexation Numpy ainsi que deux types différents d'indexation Numpy, divisé en plusieurs catégories et fonctions. Grâce à divers exemples, nous avons appris différentes façons d'utiliser l'indexation Numpy sous la forme d'une indexation de base et avancée. Nous combinons également les types d'indexation pour vérifier quel serait le résultat. Essayez les exemples fournis et voyez comment ils fonctionnent pour vous sur votre chemin pour en savoir plus sur l'indexation de Python Numpy.