توابع برای بررسی و یافتن مقادیر در آرایه های NumPy

NumPy طیف گسترده ای از توابع را برای بررسی و یافتن مقادیر خاص در آرایه ها ارائه می دهد. این توابع به شما امکان می دهد تا به طور موثر تست کنید که آیا شرایط خاصی در مورد عناصر آرایه برآورده شده است یا خیر، و شاخص های عناصر مطابق با این شرایط را پیدا کنید.

برخی از توابع رایج:

• np.any(): بررسی می کند که آیا حداقل یک عنصر در آرایه True است یا خیر.

import numpy as np

arr = np.array([True, False, False, True])

# بررسی اینکه آیا حداقل یک عنصر در آرایه True است یا خیر
any_true = np.any(arr)
print(any_true)  # Output: True

• np.all(): بررسی می کند که آیا همه عناصر در آرایه True هستند یا خیر.

import numpy as np

arr = np.array([True, True, True])

# بررسی اینکه آیا همه عناصر در آرایه True هستند یا خیر
all_true = np.all(arr)
print(all_true)  # Output: True

• np.argmax(): شاخص عنصر با حداکثر مقدار در آرایه را برمی گرداند.

import numpy as np

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

# یافتن شاخص عنصر با حداکثر مقدار
max_index = np.argmax(arr)
print(max_index)  # Output: 0

• np.argmin(): شاخص عنصر با حداقل مقدار در آرایه را برمی گرداند.

import numpy as np

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

# یافتن شاخص عنصر با حداقل مقدار
min_index = np.argmin(arr)
print(min_index)  # Output: 1

• np.where(): شاخص های عناصر در آرایه را که شرط خاصی را برآورده می کنند، برمی گرداند.

import numpy as np

arr = np.array([10, 20, 30, 40, 50])

# یافتن شاخص عناصر بزرگتر از 30
greater_than_30_indices = np.where(arr > 30)
print(greater_than_30_indices)  # Output: (array([3, 4]),)

توابع دیگر:

• np.isin(): بررسی اینکه آیا یک عنصر خاص در آرایه وجود دارد یا خیر.
• np.count_nonzero(): تعداد عناصر غیر صفر در آرایه را می شمارد.
• np.unique(): لیستی از مقادیر منحصر به فرد در آرایه را برمی گرداند.

نکات:

• برای اطلاعات بیشتر در مورد هر تابع، می توانید از دستور np.help(function_name) در کنسول پایتون استفاده کنید.
• مستندات رسمی NumPy (https://numpy.org/doc/) شامل توضیحات مفصل و مثال های استفاده از تمام توابع NumPy است.
• می توانید از این توابع در ترکیب با سایر توابع NumPy و کتابخانه های پایتون مانند pandas و scikit-learn برای تجزیه و تحلیل و دستکاری داده ها به طور موثر استفاده کنید.

با تسلط بر توابع بررسی و یافتن مقادیر در NumPy، می توانید به طور کارآمد الگوها و اطلاعات مهم را در مجموعه داده های خود شناسایی و استخراج کنید.