Các thuộc tính của mảng trong python là gì?

Một trong những nền tảng của hệ sinh thái khoa học dữ liệu Python là NumPy và nền tảng của NumPy là mảng NumPy

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

• Mảng NumPy là gì
• Cách tạo một mảng NumPy
• Các thuộc tính của mảng NumPy
• Truy xuất các giá trị riêng lẻ từ mảng NumPy
• Cắt mảng NumPy
• Tạo và làm việc với mảng NumPy 2 chiều

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 loại

Như 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 mục

Mỗi 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 không

Cũng 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])

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 NumPy

Có 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])

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])

Hãy xem xét một số ví dụ. Chúng ta sẽ bắt đầu bằng cách tạo mảng NumPy 1 chiều

Tạo mảng NumPy 1 chiều

Tạo 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])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

np.array([1,2,3],  dtype = 'int')

Khi bạn gọi hàm

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

#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])

np.array([1,2,3],  dtype = 'int')

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 chiều

Bạn 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])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

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])

np.array([1,2,3],  dtype = 'int')

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])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

# 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])

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 chiều

Cũng 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 thể

Sử dụng hàm NumPy

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

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])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Dưới đây là một vài ví dụ

số nguyên
Để tạo một mảng NumPy với các số nguyên, chúng ta có thể sử dụng mã

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

np.array([1,2,3],  dtype = 'int')

float
Tương tự, để tạo mảng NumPy với số dấu phẩy động, chúng ta có thể sử dụng mã

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

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])

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 NumPy

Tôi 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])

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])

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])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

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])

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])

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 NumPy

Mảng 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

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

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])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

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])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Cái nào tạo ra đầu ra

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Điều này có nghĩa là

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

hình dạng

Thuộc tính

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Với đầu ra

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Điều này cho chúng ta biết rằng

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

kích thước

Thuộc tính

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Với đầu ra

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Điều này cho chúng ta biết rằng

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

dtype (tôi. e. , loại dữ liệu)

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

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])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Cái nào tạo ra đầu ra

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Điều này cho chúng ta biết rằng

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

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])

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])

Cái nào cho đầu ra

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

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])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Bây giờ tôi đã giải thích các thuộc tính, hãy xem cách lập chỉ mục các mảng NumPy

Lập chỉ mục mảng NumPy

Lập 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])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Bạn có thể in ra mảng với đoạn mã sau

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

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])

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])

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])

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 tử

Hình 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])

Để lấy giá trị tại chỉ số 1 từ

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Trả về giá trị

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

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])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

# 2-d array
np.array([1,2,3,4,5,6]).reshape([2,3])

Giá trị chỉ mục tiêu cực

NumPy 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])

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])

Lập chỉ mục nhiều phần tử. cắt mảng AKA

Tôi 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])

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 chiều

Bây 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])

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])

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 chiều

Cuối 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])

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])

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 đây

Nếu 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?

Thuộc tính nào được sử dụng để tìm loại mảng NumPy?

Các thuộc tính của mảng NumPy Mcq là gì?

Thuộc tính hình dạng trong Python là gì?