تغییر شکل و بازآرایی آرایه ها در NumPy

در NumPy، آرایه ها با ساختار ndarray (آرایه با ابعاد دلخواه) ذخیره می شوند. اغلب اوقات، نیاز به تغییر شکل یا بازآرایی آرایه ها برای مطابقت با نیازهای خاص پردازش یا تجزیه و تحلیل داده ها وجود دارد. NumPy توابع و روش های مختلفی را برای این منظور ارائه می دهد.

1. تغییر شکل آرایه:

تغییر شکل به معنای تغییر ابعاد یک آرایه بدون تغییر محتوای آن است.

• استفاده از np.reshape():

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6])

# تغییر شکل آرایه به 2 سطر و 3 ستون
reshaped_arr = np.reshape(arr, (2, 3))
print(reshaped_arr)  
# Output: 
# [[1 2 3]
#  [4 5 6]]

• استفاده از arr.reshape():

# تغییر شکل آرایه به 2 سطر و 3 ستون (معادل روش قبلی)
reshaped_arr = arr.reshape(2, 3)
print(reshaped_arr)

2. ترتیب مجدد آرایه:

بازآرایی به معنای تغییر ترتیب عناصر یک آرایه در داخل ابعاد موجود آن است.

• استفاده از np.sort():

import numpy as np

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

# مرتب کردن عناصر آرایه به صورت صعودی
sorted_arr = np.sort(arr)
print(sorted_arr)  # Output: [1 2 3 4 5]

• استفاده از arr.sort():

# مرتب کردن عناصر آرایه به صورت نزولی
arr.sort(descending=True)
print(arr)  # Output: [5 4 3 2 1]

• استفاده از مرتب سازی بر اساس شرط:

import numpy as np

arr = np.array([('Alice', 30), ('Bob', 25), ('Charlie', 22)])

# مرتب کردن آرایه بر اساس ستون دوم (سن) به صورت صعودی
sorted_arr = np.sort(arr, order='age')
print(sorted_arr)  
# Output: [('Charlie', 22) ('Bob', 25) ('Alice', 30)]

3. توابع دیگر:

• np.ravel(): تبدیل یک آرایه چند بعدی به یک آرایه تک بعدی
• np.transpose(): جابجایی سطرها و ستون های یک آرایه
• np.flip() : معکوس کردن ترتیب عناصر در یک آرایه

نکات:

• هنگام تغییر شکل آرایه، تعداد عناصر باید حفظ شود.
• می توانید از توابع NumPy مانند np.prod() برای بررسی تعداد عناصر یک آرایه قبل و بعد از تغییر شکل استفاده کنید.
• برای اطلاعات بیشتر در مورد تغییر شکل و بازآرایی آرایه ها در NumPy، به مستندات رسمی NumPy (https://numpy.org/doc/) مراجعه کنید.

با تسلط بر روش های تغییر شکل و بازآرایی آرایه ها در NumPy، می توانید به طور موثر از این کتابخانه قدرتمند برای سازماندهی، دستکاری و آماده سازی داده ها برای تجزیه و تحلیل و محاسبات در برنامه های پایتون خود استفاده کنید.