انتخاب و برش عناصر خاص از یک آرایه NumPy یکی از رایج ترین عملیات است که در تحلیل داده ها و محاسبات عددی انجام می شود. NumPy روش های مختلفی را برای انتخاب زیرمجموعه های دلخواه از آرایه ها با استفاده از ایندکس گذاری و برش ارائه می دهد.
1. انتخاب عناصر با ایندکس گذاری:
می توانید از ایندکس های عددی برای انتخاب عناصر خاص از یک آرایه تک بعدی یا چند بعدی استفاده کنید.
-
انتخاب یک عنصر:
Python
import numpy as np
arr = np.array([10, 20, 30, 40, 50])
# انتخاب عنصر سوم آرایه
third_element = arr[2]
print(third_element) # Output: 30
-
انتخاب چند عنصر:
Python
# انتخاب عناصر 1، 3 و 4 آرایه
selected_elements = arr[1:4]
print(selected_elements) # Output: [20 30 40]
-
انتخاب عناصر با گام:
Python
# انتخاب عناصر زوج از آرایه (شروع از عنصر اول با گام 2)
even_elements = arr[::2]
print(even_elements) # Output: [10 30 50]
-
انتخاب عناصر منفی:
Python
# انتخاب دو عنصر آخر آرایه
last_two_elements = arr[-2:]
print(last_two_elements) # Output: [40 50]
2. انتخاب عناصر با شرط:
می توانید از ایندکس گذاری booleans برای انتخاب عناصری که یک شرط خاص را برآورده می کنند استفاده کنید.
Python
import numpy as np
arr = np.array([10, 25, 32, 41, 58])
# انتخاب عناصری که بزرگتر از 30 هستند
greater_than_30 = arr[arr > 30]
print(greater_than_30) # Output: [32 41 58]
3. برش آرایه ها:
می توانید از برش برای انتخاب زیرمجموعه های دلخواه از یک آرایه چند بعدی استفاده کنید.
-
برش آرایه تک بعدی:
Python
import numpy as np
arr = np.array([10, 20, 30, 40, 50])
# ایجاد آرایه جدید با عناصر 2 تا 4 آرایه اصلی
sliced_arr = arr[1:4]
print(sliced_arr) # Output: [20 30 40]
-
برش آرایه دو بعدی:
Python
import numpy as np
arr = np.array([[10, 20, 30],
[40, 50, 60],
[70, 80, 90]])
# ایجاد آرایه جدید با سطر دوم و ستون اول و دوم آرایه اصلی
sliced_arr = arr[1:, 0:2]
print(sliced_arr) # Output: [[50 60]]
نکات:
- می توانید از ترکیب ایندکس گذاری و برش برای انتخاب زیرمجموعه های پیچیده تر از آرایه ها استفاده کنید.
- برای اطلاعات بیشتر در مورد ایندکس گذاری و برش در NumPy، به مستندات رسمی NumPy (https://numpy.org/doc/) مراجعه کنید.
- توابع NumPy مانند
np.where()وnp.newaxisمی توانند برای انتخاب و برش آرایه ها به روش های انعطاف پذیرتر استفاده شوند.
با تسلط بر روش های انتخاب و برش عناصر آرایه در NumPy، می توانید به طور موثر از این کتابخانه قدرتمند برای استخراج، دستکاری و تجزیه و تحلیل داده ها در برنامه های پایتون خود استفاده کنید.
