Tạo python lưới trống

Cung cấp tất cả các đối số phạm vi

Khi làm việc với các thói quen NumPy, trước tiên bạn phải nhập NumPy

>>> >>> np.arange(1, 10, 3) array([1, 4, 7]) 7

Bây giờ, bạn đã nhập NumPy và sẵn sàng áp dụng >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9

Hãy xem ví dụ đầu tiên về cách sử dụng NumPy >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9

>>> >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7])

Trong ví dụ này, >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 là >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 55. Do đó, phần tử đầu tiên của mảng thu được là >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 55. >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 là >>> np.arange(1, 10, 3) array([1, 4, 7]) 50, đó là lý do tại sao giá trị thứ hai của bạn là 1+3, tức là ________ 451, trong khi giá trị thứ ba trong mảng là 4+3, bằng với ________ 452

Theo mẫu này, giá trị tiếp theo sẽ là >>> np.arange(1, 10, 3) array([1, 4, 7]) 53 (7+3), nhưng việc đếm phải kết thúc trước khi đạt được >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53, vì vậy giá trị này không được bao gồm

Bạn cũng có thể chuyển >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52, >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 và >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 làm đối số vị trí

>>> >>> np.arange(1, 10, 3) array([1, 4, 7])

Mẫu mã này tương đương, nhưng ngắn gọn hơn mẫu trước

Giá trị của >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 không được bao gồm trong một mảng. Đó là lý do tại sao bạn có thể nhận được kết quả giống hệt nhau với các giá trị >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 khác nhau

>>> >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 5

Mẫu mã này trả về mảng có cùng giá trị như hai phần trước. Bạn có thể nhận được kết quả tương tự với bất kỳ giá trị nào của >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 hoàn toàn lớn hơn ________ 452 và nhỏ hơn hoặc bằng ________ 453

Tuy nhiên, nếu bạn làm cho >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 lớn hơn >>> np.arange(1, 10, 3) array([1, 4, 7]) 53, thì việc đếm sẽ kết thúc sau khi đạt được >>> np.arange(1, 10, 3) array([1, 4, 7]) 53

>>> >>> np.arange(1, 10, 3) array([1, 4, 7]) 4

Trong trường hợp này, bạn nhận được mảng có bốn phần tử bao gồm >>> np.arange(1, 10, 3) array([1, 4, 7]) 53

Lưu ý rằng ví dụ này tạo ra một mảng các số dấu phẩy động, không giống như ví dụ trước. Đó là bởi vì bạn chưa định nghĩa được >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 56, và >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 đã suy ra nó cho bạn. Bạn sẽ tìm hiểu thêm về điều này sau trong bài viết

Bạn có thể xem biểu diễn đồ họa của ba ví dụ này trong hình bên dưới

>>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 được hiển thị bằng màu xanh lá cây, >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 màu đỏ, trong khi >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 và các giá trị chứa trong mảng có màu xanh lam

Như bạn có thể thấy từ hình trên, hai ví dụ đầu tiên có ba giá trị (>>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 55, >>> np.arange(1, 10, 3) array([1, 4, 7]) 51 và >>> np.arange(1, 10, 3) array([1, 4, 7]) 52) được tính. Họ không cho phép đưa vào >>> np.arange(1, 10, 3) array([1, 4, 7]) 53. Trong ví dụ thứ ba, >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 lớn hơn >>> np.arange(1, 10, 3) array([1, 4, 7]) 53 và nó được chứa trong mảng kết quả

Cung cấp hai đối số phạm vi

Bạn có thể bỏ qua >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54. Trong trường hợp này, >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 sử dụng giá trị mặc định của nó là >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 55. Hai mệnh đề sau là tương đương

>>> >>> np.arange(1, 10, 3) array([1, 4, 7]) 9

Tuyên bố thứ hai ngắn hơn. >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54, mặc định là >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 55, là những gì thường được mong đợi bằng trực giác

Sử dụng >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 với số gia >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 55 là một trường hợp rất phổ biến trong thực tế. Một lần nữa, bạn có thể viết ví dụ trước ngắn gọn hơn với các đối số vị trí >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 và >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53

>>> >>> np.arange(1, 10, 3) array([1, 4, 7]) 5

Đây là một cách trực quan và ngắn gọn để gọi >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9. Sử dụng các đối số từ khóa trong ví dụ này không thực sự cải thiện khả năng đọc

Ghi chú. Nếu bạn cung cấp hai đối số vị trí, thì đối số đầu tiên là >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 và đối số thứ hai là >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53

Cung cấp đối số một phạm vi

Bạn phải cung cấp ít nhất một đối số cho >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9. Nói chính xác hơn, bạn phải cung cấp >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52

Nhưng điều gì xảy ra nếu bạn bỏ qua >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53? . Một lần nữa, giá trị mặc định của >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 là >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 55

Nói cách khác, >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 giả định rằng bạn đã cung cấp >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 (thay vì >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52) và rằng >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 là >>> np.arange(1, 10, 3) array([1, 4, 7]) 41 và >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 là >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 55

Hãy xem một ví dụ mà bạn muốn bắt đầu một mảng với >>> np.arange(1, 10, 3) array([1, 4, 7]) 41, tăng các giá trị lên >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 55 và dừng trước >>> np.arange(1, 10, 3) array([1, 4, 7]) 53

>>> >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 08

Các mẫu mã này được. Chúng hoạt động như thể hiện trong các ví dụ trước. Có một cách thậm chí còn ngắn hơn và rõ ràng hơn nhưng vẫn trực quan để làm điều tương tự. Bạn chỉ có thể cung cấp một đối số vị trí duy nhất

>>> >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 09

Đây là cách thông thường nhất để tạo một mảng NumPy bắt đầu từ 0 và có số gia là một

Ghi chú. Đối số duy nhất xác định nơi dừng đếm. Mảng đầu ra bắt đầu từ >>> np.arange(1, 10, 3) array([1, 4, 7]) 41 và có số gia là >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 55

Nếu bạn cố gắng cung cấp rõ ràng >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 mà không có >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52, thì bạn sẽ nhận được một >>> np.arange(1, 10, 3) array([1, 4, 7]) 732

>>> >>> np.arange(1, 10, 3) array([1, 4, 7]) 70

Bạn gặp lỗi vì >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 không cho phép bạn tránh đối số đầu tiên tương ứng với >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 một cách rõ ràng. Nếu bạn cung cấp một đối số duy nhất, thì nó phải là >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52, nhưng >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 sẽ sử dụng nó để xác định vị trí dừng đếm

Cung cấp đối số phủ định

Nếu bạn cung cấp các giá trị âm cho >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 hoặc cả >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 và >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53, đồng thời có một giá trị dương là >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54, thì >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 sẽ hoạt động giống như với tất cả các đối số khẳng định

>>> >>> np.arange(1, 10, 3) array([1, 4, 7]) 71

Hành vi này hoàn toàn phù hợp với các ví dụ trước. Quá trình đếm bắt đầu với giá trị của >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52, tăng dần theo thời gian của >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 và kết thúc trước khi đạt được >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53

đếm ngược

Đôi khi bạn sẽ muốn một mảng với các giá trị giảm dần từ trái sang phải. Trong những trường hợp như vậy, bạn có thể sử dụng >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 với giá trị âm cho >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 và với >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 lớn hơn >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53

>>> >>> np.arange(1, 10, 3) array([1, 4, 7]) 72

Trong ví dụ này, hãy chú ý mẫu sau. mảng thu được bắt đầu với giá trị của đối số đầu tiên và giảm dần cho >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 theo giá trị của đối số thứ hai

Trong câu lệnh cuối cùng, >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 là >>> np.arange(1, 10, 3) array([1, 4, 7]) 52 và mảng kết quả bắt đầu bằng giá trị này. >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 là >>> np.arange(1, 10, 3) array([1, 4, 7]) 753 nên giá trị thứ hai là 7+(−3), tức là >>> np.arange(1, 10, 3) array([1, 4, 7]) 51. Giá trị thứ ba là 4+(−3) hoặc >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 55. Quá trình đếm dừng tại đây vì đạt được giá trị tiếp theo là >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 (>>> np.arange(1, 10, 3) array([1, 4, 7]) 41) trước giá trị tiếp theo (>>> np.arange(1, 10, 3) array([1, 4, 7]) 758)

Bạn có thể xem các biểu diễn đồ họa của ví dụ này trong hình bên dưới

Một lần nữa, >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 được hiển thị bằng màu xanh lá cây, >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 màu đỏ, trong khi >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 và các giá trị chứa trong mảng có màu xanh lam

Lần này, các mũi tên chỉ hướng từ phải sang trái. Đó là bởi vì >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 lớn hơn >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53, >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 là số âm và về cơ bản bạn đang đếm ngược

Ví dụ trước tạo ra kết quả tương tự như sau

>>> >>> np.arange(1, 10, 3) array([1, 4, 7]) 73

Tuy nhiên, biến thể có giá trị âm của >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 thanh lịch và ngắn gọn hơn

Lấy mảng trống

Có một số trường hợp Edge mà bạn có thể lấy các mảng NumPy trống với >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9. Đây là những trường hợp thông thường của >>> np.arange(1, 10, 3) array([1, 4, 7]) 767 không có bất kỳ phần tử nào

Nếu bạn cung cấp các giá trị bằng nhau cho >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 và >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53, thì bạn sẽ nhận được một mảng trống

>>> >>> np.arange(1, 10, 3) array([1, 4, 7]) 74

Điều này là do quá trình đếm kết thúc trước khi đạt được giá trị của >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53. Vì giá trị của >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 bằng với >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53, nên nó không thể đạt được và cũng không được đưa vào mảng kết quả

Một trong những trường hợp bất thường là khi >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 lớn hơn ________ 153 và ________ 154 là dương, hoặc khi >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 nhỏ hơn ________ 153 và ________ 154 là âm

>>> >>> np.arange(1, 10, 3) array([1, 4, 7]) 75

Như bạn có thể thấy, các ví dụ này dẫn đến các mảng trống, không có lỗi

Thông số và đầu ra

Cả >>> np.arange(1, 10, 3) array([1, 4, 7]) 5 và >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 đều có cùng tham số xác định phạm vi của các số thu được

• >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52
• >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53
• >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54

Bạn áp dụng các tham số này tương tự, kể cả trong trường hợp >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52 và >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 bằng nhau

Tuy nhiên, khi làm việc với >>> np.arange(1, 10, 3) array([1, 4, 7]) 5

• Bạn phải cung cấp các đối số số nguyên. Nếu không, bạn sẽ nhận được một >>> np.arange(1, 10, 3) array([1, 4, 7]) 732
• Bạn không thể chỉ định loại số mang lại. Nó luôn luôn là >>> np.arange(1, 10, 3) array([1, 4, 7]) 788

>>> np.arange(1, 10, 3) array([1, 4, 7]) 5 và >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 cũng khác nhau về kiểu trả về

• >>> np.arange(1, 10, 3) array([1, 4, 7]) 5 tạo một thể hiện của lớp này có các tính năng giống như các chuỗi khác (như >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 87 và >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 88), chẳng hạn như tư cách thành viên, nối, lặp lại, cắt, so sánh, kiểm tra độ dài, v.v.
• >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 trả về một phiên bản NumPy >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 8

Tạo trình tự

Bạn có thể áp dụng >>> np.arange(1, 10, 3) array([1, 4, 7]) 5 để tạo một phiên bản của >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 87 hoặc >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 88 với các số cách đều nhau trong một phạm vi được xác định trước. Bạn có thể tìm thấy sự hiểu biết đặc biệt phù hợp cho mục đích này

Tuy nhiên, việc tạo và thao tác với mảng NumPy thường nhanh hơn và đơn giản hơn so với làm việc với danh sách hoặc bộ dữ liệu

Hãy so sánh hiệu suất của việc tạo một >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 87 bằng cách sử dụng khả năng hiểu với một NumPy tương đương >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 8 với >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9

>>> >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 6

Lặp lại mã này cho các giá trị khác nhau của >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 97 mang lại kết quả sau trên máy của tôi

Kích thước. >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 97Thời gian mỗi vòng lặp. >>> np.arange(1, 10, 3) array([1, 4, 7]) 5Thời gian mỗi vòng lặp. >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9Ratio1497 ns1. 14 µs0. 41102. 24 µs1. 28 µs1. 7410020. 0 µs1. 37 µs14. 61,000211 µs2. 92 µs72. 3

Các kết quả này có thể khác nhau, nhưng rõ ràng bạn có thể tạo một mảng NumPy nhanh hơn nhiều so với một danh sách, ngoại trừ các chuỗi có độ dài rất nhỏ. (Ứng dụng thường mang lại lợi ích hiệu suất bổ sung. )

Điều này là do NumPy thực hiện nhiều thao tác, bao gồm cả vòng lặp, ở cấp độ C. Ngoài ra, NumPy được tối ưu hóa để làm việc với các vectơ và tránh một số chi phí liên quan đến Python

Vòng lặp Python >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 72

Nếu bạn cần các giá trị để lặp lại trong vòng lặp Python >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 72, thì >>> np.arange(1, 10, 3) array([1, 4, 7]) 5 thường là giải pháp tốt hơn. Theo tài liệu Python chính thức

Ưu điểm của loại >>> np.arange(1, 10, 3) array([1, 4, 7]) 5 so với loại >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 87 hoặc >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 88 thông thường là đối tượng >>> np.arange(1, 10, 3) array([1, 4, 7]) 5 sẽ luôn chiếm cùng một lượng bộ nhớ (nhỏ), bất kể kích thước của phạm vi mà nó đại diện (vì nó chỉ lưu trữ các giá trị >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 52, >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 53 và >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 54 . ()

>>> np.arange(1, 10, 3) array([1, 4, 7]) 5 thường nhanh hơn >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 khi được sử dụng trong các vòng lặp >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 72 của Python, đặc biệt là khi có khả năng sớm thoát ra khỏi vòng lặp. Điều này là do >>> np.arange(1, 10, 3) array([1, 4, 7]) 5 tạo ra các số theo kiểu lười biếng, khi chúng được yêu cầu, mỗi lần một số

Ngược lại, >>> np.arange(start=1, stop=10, step=3) array([1, 4, 7]) 9 tạo ra tất cả các số ở đầu

Để biết thêm thông tin về >>> np.arange(1, 10, 3) array([1, 4, 7]) 5, bạn có thể kiểm tra Hàm range() của Python (Hướng dẫn) và