Một trong những nền tảng của hệ sinh thái khoa học dữ liệu Python là NumPy và nền tảng của NumPy là mảng NumPy Show
Trong trường hợp đó, nếu bạn muốn học khoa học dữ liệu bằng Python, bạn sẽ cần học cách làm việc với mảng NumPy Trong bài đăng trên blog này, tôi sẽ giải thích các yếu tố cần thiết của mảng NumPy, bao gồm
Bắt đầu nào Mảng NumPy là gì?Mảng NumPy là tập hợp các phần tử có cùng kiểu dữ liệu Bạn có thể coi nó giống như một thùng chứa có nhiều ngăn chứa dữ liệu, miễn là dữ liệu có cùng kiểu dữ liệu Trực quan, chúng ta có thể biểu diễn một mảng NumPy đơn giản như thế này Hãy phá vỡ điều này Ta có một tập hợp các số nguyên. 88, 19, 46, 74, 94. Các giá trị này đều là số nguyên; . Bạn có thể thấy rằng các giá trị này được lưu trữ trong các “ngăn” của một cấu trúc lớn hơn. Cấu trúc tổng thể là mảng NumPy Rất nhanh, tôi sẽ giải thích thêm một chút về một số thuộc tính của mảng NumPy Mảng NumPy phải chứa dữ liệu cùng loạiNhư tôi đã đề cập ở trên, mảng NumPy phải chứa dữ liệu cùng loại Điều đó có nghĩa là nếu mảng NumPy của bạn chứa số nguyên, thì tất cả các giá trị phải là số nguyên. Nếu nó chứa số dấu phẩy động, tất cả các giá trị phải là số float Tôi sẽ không viết nhiều về kiểu dữ liệu và kiểu dữ liệu NumPy ở đây. Có một phần bên dưới trong bài đăng trên blog này về cách tạo một mảng NumPy thuộc một loại cụ thể. Phải nói rằng, nếu bạn muốn tìm hiểu thêm về các loại dữ liệu khác nhau có sẵn trong NumPy, thì (như người ta vẫn nói) hãy đọc hướng dẫn sử dụng Mảng NumPy có chỉ mụcMỗi ngăn bên trong mảng NumPy có một “địa chỉ. ” Chúng tôi gọi địa chỉ đó là “chỉ số. ” Nếu bạn đã quen thuộc với máy tính nói chung và Python nói riêng, thì có lẽ bạn đã quen thuộc với các chỉ mục. Nhiều cấu trúc dữ liệu trong Python có các chỉ mục và các chỉ mục của mảng NumPy về cơ bản hoạt động giống nhau Nếu bạn không quen thuộc với các chỉ mục, hãy để tôi giải thích. Một lần nữa, một chỉ mục giống như một địa chỉ. Các chỉ mục này cho phép bạn tham chiếu một giá trị cụ thể. Chúng tôi gọi đây là lập chỉ mục Giá trị chỉ mục bắt đầu từ số khôngCũng giống như các cấu trúc Python khác có chỉ mục, chỉ mục của mảng NumPy bắt đầu từ 0 Vì vậy, nếu bạn muốn tham chiếu giá trị ở vị trí đầu tiên, bạn cần tham chiếu vị trí “0”. Trong ví dụ hiển thị ở đây, giá trị tại chỉ mục 0 là # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])5 Tôi sẽ giải thích chính xác cách sử dụng các chỉ mục này về mặt cú pháp, nhưng để làm được điều đó, tôi muốn cung cấp cho bạn các ví dụ hoạt động. Để cung cấp cho bạn các ví dụ hoạt động, tôi sẽ cần giải thích cách thực sự tạo mảng NumPy trong Python Cách tạo một mảng NumPyCó rất nhiều cách để tạo một mảng NumPy. Có thật không. Nhiều. Tôi có thể nghĩ ra ít nhất nửa tá kỹ thuật và chức năng sẽ tạo ra một mảng NumPy. Trên thực tế, mục đích của nhiều hàm trong gói NumPy là tạo một mảng NumPy thuộc loại này hay loại khác Tuy nhiên, bài đăng trên blog này nhằm mục đích giới thiệu nhanh về mảng NumPy. Trong trường hợp đó, tôi không muốn chỉ cho bạn mọi cách có thể để tạo một mảng NumPy. Hãy giữ điều này đơn giản. Tôi sẽ chỉ cho bạn một vài cách rất cơ bản để làm điều đó Đặc biệt, tôi sẽ hướng dẫn bạn cách sử dụng hàm NumPy # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])6 Tạo mảng NumPy bằng hàm array()Để sử dụng hàm NumPy # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])6, bạn gọi hàm và chuyển vào danh sách Python làm đối số Hãy xem xét một số ví dụ. Chúng ta sẽ bắt đầu bằng cách tạo mảng NumPy 1 chiều Tạo mảng NumPy 1 chiềuTạo mảng NumPy 1 chiều thật dễ dàng Bạn gọi hàm với cú pháp # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])8. Hãy nhớ rằng trước khi gọi # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])8, bạn cần nhập gói NumPy có mã np.array([1,2,3], dtype = 'int')0 Khi bạn gọi hàm # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])6, bạn sẽ cần cung cấp danh sách các phần tử làm đối số cho hàm #import NumPy import numpy as np # create a NumPy array from a list of 3 integers np.array([1,2,3]) Điều này không phức tạp, nhưng hãy phá vỡ nó Chúng tôi đã gọi hàm # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])8. Đối số của hàm là danh sách ba số nguyên. np.array([1,2,3], dtype = 'int')3. Nó tạo ra một mảng NumPy gồm ba số nguyên đó Lưu ý rằng bạn cũng có thể tạo mảng NumPy với các kiểu dữ liệu khác, ngoài số nguyên. Tôi sẽ giải thích cách thực hiện điều đó sau một chút trong bài đăng trên blog này Tạo mảng NumPy 2 chiềuBạn cũng có thể tạo mảng 2 chiều Để thực hiện việc này bằng hàm # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])8, bạn cần chuyển vào một danh sách các danh sách # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])1 Hãy chú ý đến những gì chúng ta đang làm ở đây, về mặt cú pháp Bên trong cuộc gọi tới # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])8, có một danh sách gồm hai danh sách. np.array([1,2,3], dtype = 'int')6. Danh sách đầu tiên là ________ 53 và danh sách thứ hai là ________ 58. Hai danh sách đó được chứa bên trong một danh sách lớn hơn; . Sau đó, danh sách các danh sách đó được chuyển đến hàm mảng, hàm này tạo ra mảng NumPy 2 chiều Điều này có thể hơi khó hiểu nếu bạn mới bắt đầu với Python và NumPy. Trong trường hợp đó, tôi thực sự khuyên bạn nên xem lại danh sách Python Ngoài ra còn có các cách khác để tạo mảng NumPy 2 chiều. Ví dụ: bạn có thể sử dụng hàm # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])6 để tạo mảng NumPy 1 chiều, sau đó sử dụng phương thức # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])70 để định hình lại mảng NumPy 1 chiều thành mảng NumPy 2 chiều # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3]) Hiện tại, tôi không muốn giải thích quá nhiều về # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])70, vì vậy tôi sẽ để nguyên như vậy. Tôi chỉ muốn bạn hiểu rằng có một số cách để tạo mảng NumPy 2 chiều Tôi sẽ viết thêm về cách tạo và làm việc với mảng NumPy 2 chiều trong một bài đăng trên blog trong tương lai Mảng NumPy N chiềuCũng có thể tạo mảng NumPy 3 chiều và mảng NumPy N chiều. Tuy nhiên, để đơn giản hóa, tôi sẽ không giải thích cách tạo chúng trong bài đăng trên blog này. Tôi sẽ giải quyết các mảng NumPy N chiều trong một bài đăng trên blog trong tương lai Tạo một mảng NumPy với một kiểu dữ liệu cụ thểSử dụng hàm NumPy # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])6, chúng ta cũng có thể tạo mảng NumPy với các kiểu dữ liệu cụ thể. Hãy nhớ rằng trong một mảng NumPy, tất cả các phần tử phải cùng loại Để làm được điều này, chúng ta cần sử dụng tham số # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])73 bên trong hàm # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])6 Dưới đây là một vài ví dụ số nguyên # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])75. np.array([1,2,3], dtype = 'int') float # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])76. # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])7 Đây chỉ là một vài ví dụ. Hãy nhớ rằng NumPy hỗ trợ gần 2 tá loại dữ liệu… nhiều hơn những gì tôi đã chỉ cho bạn ở đây Phải nói rằng, giải thích đầy đủ về kiểu dữ liệu Python và kiểu dữ liệu NumPy nằm ngoài phạm vi của bài đăng này. Chỉ cần hiểu rằng bạn có thể chỉ định loại dữ liệu bằng tham số # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])73 Để biết thêm thông tin về các loại dữ liệu trong NumPy, hãy tham khảo tài liệu về các loại NumPy có sẵn Các lỗi thường gặp khi tạo mảng NumPyTôi muốn chỉ ra một lỗi phổ biến mà nhiều người mới bắt đầu mắc phải khi cố gắng tạo một mảng NumPy bằng hàm # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])8 Như tôi đã đề cập ở trên, khi bạn tạo một mảng NumPy với # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])8, bạn cần cung cấp một danh sách các giá trị Nhiều người mới bắt đầu quên làm điều này và chỉ cần cung cấp các giá trị trực tiếp cho hàm # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])8 mà không đặt chúng bên trong danh sách. Nếu bạn cố gắng làm điều đó, nó sẽ gây ra lỗi # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])1 Trong hai ví dụ trên, hãy chú ý đến cú pháp. Ví dụ hàng đầu hoạt động chính xác vì các số nguyên được chứa bên trong danh sách Python. Ví dụ thứ hai gây ra lỗi vì các số nguyên được chuyển trực tiếp tới # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])8 mà không kèm theo chúng trong danh sách Đã nói rằng, hãy chú ý. Đảm bảo rằng khi bạn sử dụng # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])8, bạn đang chuyển các giá trị dưới dạng danh sách Một lần nữa, nếu bạn bối rối về điều này hoặc không hiểu các danh sách Python, tôi thực sự khuyên bạn nên quay lại và xem lại các danh sách và “các loại tích hợp sẵn” cơ bản khác trong Python Các thuộc tính của một mảng NumPyMảng NumPy có một tập hợp các thuộc tính mà bạn có thể truy cập. Các thuộc tính này bao gồm những thứ như kích thước, hình dạng, số chiều và kiểu dữ liệu của mảng Đây là danh sách viết tắt các thuộc tính của mảng NumPy Thuộc tínhNhững gì nó ghi lại# 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])13Kích thước của mảng NumPy # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])14Tổng số phần tử trong mảng NumPy # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])15Số lượng kích thước của mảng # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])73Kiểu dữ liệu của các phần tử trong mảng # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])17Độ dài của một phần tử mảng đơn tính bằng byte Tôi muốn cho bạn xem một vài trong số này. Để minh họa chúng, hãy tạo một mảng NumPy và sau đó điều tra một vài thuộc tính của nó Ở đây, một lần nữa chúng ta sẽ tạo một mảng NumPy đơn giản bằng cách sử dụng # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])18 # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])0 # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])19 là một mảng NumPy và giống như tất cả các mảng NumPy, nó có các thuộc tính Bạn có thể truy cập các thuộc tính đó bằng cách sử dụng dấu chấm sau tên của mảng, theo sau là thuộc tính bạn muốn truy xuất Dưới đây là một số ví dụ đim# 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])15 là số thứ nguyên # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])3 Cái nào tạo ra đầu ra # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])4 Điều này có nghĩa là # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])19 là mảng 1 chiều hình dạngThuộc tính # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])13 cho chúng ta biết số phần tử dọc theo mỗi chiều # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])7 Với đầu ra # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])10 Điều này cho chúng ta biết rằng # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])19 có 5 phần tử dọc theo trục đầu tiên. (Và đó là thông tin duy nhất được cung cấp, vì # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])19 là 1 chiều. ) kích thướcThuộc tính # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])14 cho bạn biết tổng số phần tử trong một mảng NumPy # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])11 Với đầu ra # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])12 Điều này cho chúng ta biết rằng # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])19 có tổng cộng 5 phần tử dtype (tôi. e. , loại dữ liệu)# 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])73 cho bạn biết loại dữ liệu được lưu trữ trong mảng NumPy Hãy cùng xem. Chúng ta có thể truy cập tham số # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])73 như thế này # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])13 Cái nào tạo ra đầu ra # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])14 Điều này cho chúng ta biết rằng # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])19 chứa các số nguyên Cũng nhớ. Mảng NumPy chứa dữ liệu cùng loại Mặc dù chúng tôi đã xây dựng # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])19 để chứa các số nguyên, nhưng chúng tôi có thể đã tạo một mảng có số float hoặc các kiểu dữ liệu số khác Ví dụ: chúng ta có thể tạo một mảng NumPy với các giá trị thập phân (i. e. , nổi) # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])15 Cái nào cho đầu ra # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])16 Khi chúng ta xây dựng mảng với các giá trị đầu vào ở trên, bạn có thể thấy rằng # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])31 chứa dữ liệu của kiểu dữ liệu # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])32 (i. e. , số có phần thập phân) Bây giờ tôi đã giải thích các thuộc tính, hãy xem cách lập chỉ mục các mảng NumPy Lập chỉ mục mảng NumPyLập chỉ mục rất quan trọng để truy cập và truy xuất các phần tử của mảng NumPy Nhớ lại những gì tôi đã viết ở đầu bài đăng trên blog Một mảng NumPy giống như một thùng chứa có nhiều ngăn. Mỗi ngăn bên trong mảng NumPy có một “địa chỉ. ” Chúng tôi gọi địa chỉ đó là “chỉ số. ” Một lần nữa lưu ý rằng chỉ mục của giá trị đầu tiên là 0 Chúng ta có thể sử dụng chỉ mục để truy xuất các giá trị cụ thể trong mảng NumPy. Chúng ta hãy xem làm thế nào để làm điều đó Trước tiên, hãy tạo một mảng NumPy bằng hàm # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])18 # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])0 Bạn có thể in ra mảng với đoạn mã sau # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])18 Và bạn có thể thấy rằng mảng có 5 số nguyên # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])19 Để rõ ràng khó khăn, đây là một đại diện trực quan của # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])19. Nhìn vào điều này sẽ giúp bạn hiểu lập chỉ mục mảng Trong biểu diễn trực quan này, bạn có thể thấy các giá trị được lưu trữ trong mảng, # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])35. Tuy nhiên, tôi cũng đã cho bạn thấy các giá trị chỉ mục được liên kết với từng phần tử đó Các chỉ mục này cho phép chúng tôi truy xuất các giá trị ở các vị trí cụ thể Chúng ta hãy xem làm thế nào để làm điều đó Lập chỉ mục một phần tửHình thức lập chỉ mục đơn giản nhất là truy xuất một giá trị từ mảng Để truy xuất một giá trị từ vị trí cụ thể trong mảng NumPy, bạn cần cung cấp “chỉ mục” của vị trí đó Về mặt cú pháp, bạn cần sử dụng ký hiệu ngoặc và cung cấp chỉ mục bên trong ngoặc Để tôi chỉ cho bạn một ví dụ. Ở trên, chúng tôi đã tạo mảng NumPy # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])19 Để lấy giá trị tại chỉ số 1 từ # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])19, bạn có thể sử dụng cú pháp sau # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])0 Trả về giá trị # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])38 Mặc dù trực quan, chúng ta có thể biểu diễn hành động lập chỉ mục này như thế này Về cơ bản, chúng tôi đang sử dụng một chỉ mục cụ thể (tôi. e. , "địa chỉ" của một vị trí cụ thể trong mảng) để truy xuất giá trị được lưu trữ tại vị trí đó Vì vậy, mã # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])39 về cơ bản nói rằng, “hãy cho tôi giá trị ở vị trí chỉ mục 1. ” Kết quả là # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])38 … # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])38 là giá trị tại chỉ số đó Giá trị chỉ mục tiêu cựcNumPy cũng hỗ trợ các giá trị chỉ số âm. Sử dụng chỉ mục phủ định cho phép bạn truy xuất hoặc tham chiếu các vị trí bắt đầu từ cuối mảng Đây là một ví dụ # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])1 Điều này lấy giá trị ở cuối mảng Chúng tôi cũng có thể truy xuất giá trị này bằng cách sử dụng chỉ mục # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])42 (cả hai sẽ hoạt động). Nhưng đôi khi bạn sẽ không biết chính xác độ dài của mảng. Đây là một cách thuận tiện để tham chiếu các mục ở cuối mảng NumPy Lập chỉ mục nhiều phần tử. cắt mảng AKATôi vừa chỉ cho bạn các ví dụ đơn giản về lập chỉ mục mảng, nhưng việc lập chỉ mục mảng có thể khá phức tạp Thực sự có thể truy xuất nhiều phần tử từ một mảng NumPy Để làm điều này, chúng tôi vẫn sử dụng ký hiệu ngoặc, nhưng chúng tôi có thể sử dụng dấu hai chấm để chỉ định phạm vi giá trị. Đây là một ví dụ # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])2 Mã này đang nói, “lấy các giá trị được lưu trữ từ chỉ mục 2, nhưng không bao gồm chỉ mục 4. ” Trực quan, chúng ta có thể biểu diễn điều này như sau Lập chỉ mục trong mảng NumPy 2 chiềuBây giờ bạn đã học cách sử dụng chỉ mục trong mảng NumPy 1 chiều, hãy xem lại cách sử dụng chỉ mục trong mảng NumPy 2 chiều Làm việc với mảng 2-d NumPy rất giống với làm việc với mảng 1-d. Sự khác biệt chính (liên quan đến chỉ mục) là mảng 2 chiều có 2 chỉ mục, chỉ mục hàng và chỉ mục cột Để truy xuất giá trị từ mảng 2 chiều, bạn cần cung cấp chỉ mục hàng và cột cụ thể Đây là một ví dụ. Chúng tôi sẽ tạo một mảng NumPy 2 chiều và sau đó chúng tôi sẽ truy xuất một giá trị # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])3 Ở đây, về cơ bản, chúng tôi đang truy xuất giá trị ở chỉ mục hàng 2 và chỉ mục cột 1. Giá trị tại vị trí đó là # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])43 Điều này khá đơn giản. Thách thức chính là bạn cần nhớ rằng chỉ mục hàng là đầu tiên và chỉ mục cột là thứ hai Cắt mảng NumPy 2 chiềuCuối cùng, hãy xem lại cách truy xuất các lát cắt từ mảng NumPy 2 chiều. Cắt mảng 2 chiều rất giống với cắt mảng 1 chiều. Sự khác biệt chính là bạn cần cung cấp 2 phạm vi, một cho hàng và một cho cột # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])4 Hãy phá vỡ điều này Chúng ta lại tạo một mảng NumPy hình vuông 5×5 có tên là # 2-d array np.array([1,2,3,4,5,6]).reshape([2,3])44 Sau đó, chúng tôi lấy một phần của mảng đó. Lát cắt bao gồm các hàng từ chỉ mục 1 cho đến chỉ mục không bao gồm chỉ mục 3. Nó cũng bao gồm các cột từ chỉ mục 1 cho đến chỉ mục 4 Điều này có vẻ hơi khó hiểu nếu bạn là người mới bắt đầu thực sự. Trong trường hợp đó, tôi khuyên bạn nên làm việc với mảng 1-d trước, cho đến khi bạn hiểu rõ về chúng. Sau đó, bắt đầu làm việc với các mảng NumPy 2 chiều tương đối nhỏ cho đến khi bạn xây dựng trực giác của mình về việc lập chỉ mục hoạt động với các mảng 2 chiều Để lại câu hỏi của bạn trong các ý kiến dưới đâyNếu bạn là người mới bắt đầu hoặc bạn chưa có nhiều kinh nghiệm với mảng NumPy, điều này có vẻ hơi quá sức. Nó không phức tạp lắm, nhưng có rất nhiều ở đây và sẽ mất một thời gian để tìm hiểu và thành thạo Các thuộc tính của một mảng có nghĩa là gì?Mảng được dùng để lưu trữ danh sách giá trị . Trong khi thuộc tính chuỗi hoặc số chỉ có thể chứa một giá trị, chẳng hạn như "Trang chủ" hoặc 12. 95 , một mảng có thể chứa nhiều giá trị, chẳng hạn như ["Pants", "Shirts"] hoặc [5. 99, 12. 95]. Mảng có sẵn cho các kiểu dữ liệu thuộc tính số, chuỗi và boolean.
Thuộc tính nào được sử dụng để tìm loại mảng NumPy?gõ. Thuộc tính này giúp kiểm tra loại phần tử nào được lưu trữ trong mảng NumPy
Các thuộc tính của mảng NumPy Mcq là gì?NumPy là một gói Python được sử dụng để thao tác với các mảng dữ liệu. . n - là số lần thử p - biểu thị khả năng mỗi thử nghiệm sẽ xảy ra (e. g. tung đồng xu 0. 5 mỗi cái) size - Kích thước của mảng được trả về Thuộc tính hình dạng trong Python là gì?Thuộc tính shape trong numpy được dùng để trả về một bộ có các số chỉ mục biểu thị kích thước hoặc hình dạng của mảng đã cho . |