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.
مزایای np.where() و np.newaxis در NumPy:
1. np.where():
انتخاب عناصر بر اساس شرط: تابع np.where() به شما امکان می دهد عناصر را در یک آرایه NumPy بر اساس یک شرط انتخاب کنید. این بسیار قدرتمند است زیرا به شما امکان می دهد عملیات را به صورت مشروط روی آرایه ها انجام دهید.
ایجاد آرایه های جدید بر اساس شرط: می توانید از np.where() برای ایجاد آرایه های جدید بر اساس یک شرط استفاده کنید. این برای ایجاد ماسک ها یا آرایه های منطقی که فقط حاوی مقادیر خاص هستند بسیار مفید است.
کد خواناتر: استفاده از np.where() می تواند کد شما را خواناتر کند، زیرا به طور واضح بیان می کند که چه عناصری بر اساس چه شرایطی انتخاب می شوند.
۲. np.newaxis():
اضافه کردن یک بعد جدید: np.newaxis یک ترفند مفید برای اضافه کردن یک بعد جدید به یک آرایه موجود است. این برای انجام عملیات روی آرایه ها با ابعاد ناسازگار بسیار مفید است.
پخش به ابعاد بالاتر: با np.newaxis می توانید آرایه های با ابعاد پایین تر را به ابعاد بالاتر پخش کنید. این به شما امکان می دهد عملیات را روی آرایه ها با اشکال مختلف انجام دهید.
انعطاف پذیری در محاسبات برداری: np.newaxis به شما انعطاف بیشتری در انجام محاسبات برداری بر روی آرایه های NumPy می دهد.