Thủ Thuật Hướng dẫn Hướng dẫn dùng concantinate python Chi Tiết
Bạn đang tìm kiếm từ khóa Hướng dẫn dùng concantinate python được Cập Nhật vào lúc : 2022-09-14 12:00:28 . Với phương châm chia sẻ Thủ Thuật về trong nội dung bài viết một cách Chi Tiết 2022. Nếu sau khi tìm hiểu thêm Post vẫn ko hiểu thì hoàn toàn có thể lại Comments ở cuối bài để Admin lý giải và hướng dẫn lại nha.
Hàm concatenate () là một hàm từ gói NumPy. Về cơ bản, hàm này phối hợp những mảng NumPy với nhau. Hàm này về cơ bản được sử dụng để nối hai hoặc nhiều mảng có cùng hình dạng dọc theo một trục được chỉ định. Có những điều thiết yếu sau này cần ghi nhớ:
NumPy’s concatenate () không in như một phép nối cơ sở tài liệu truyền thống cuội nguồn. Nó in như việc xếp chồng những mảng NumPy.
Các đọc thêm:
Chức năng này hoàn toàn có thể hoạt động và sinh hoạt giải trí theo cả chiều dọc và chiều
ngang. Điều này nghĩa là toàn bộ chúng ta hoàn toàn có thể nối những mảng với nhau theo chiều ngang hoặc chiều dọc.
Hàm concatenate () thường được viết dưới dạng np.concatenate (), nhưng toàn bộ chúng ta cũng hoàn toàn có thể viết nó dưới dạng numpy.concatenate (). Nó phụ
thuộc vào cách nhập gói numpy, nhập numpy dưới dạng np hoặc nhập numpy, tương ứng.
Cú pháp
numpy.concatenate ((a1, a2, …), axis)
Parameter
Tham số này xác lập trình tự của mảng. Ở đây, a1, a2, a3 … là những mảng có hình dạng giống nhau, ngoại trừ chiều tương ứng với trục.
Tham số này xác lập trục mà mảng sẽ tiến hành nối với nhau. Theo mặc định, giá trị của nó là 0.
Nó sẽ trả về một ndarray chứa những thành phần của toàn bộ hai
mảng.
Xem thêm Duyệt mảng trong NumPy
Ví dụ 1: numpy.concatenate ()
import numpy as np
x=np.array([[1,2],[3,4]])
y=np.array([[12,30]])
z=np.concatenate((x,y))
z
Trong đoạn code trên
- Chúng tôi đã tạo một mảng ‘x’ bằng phương pháp sử dụng hàm np.array ().
- Sau đó, toàn bộ chúng ta đã tạo một mảng khác ‘y’ bằng phương pháp sử dụng cùng một hàm np.array ().
- Chúng tôi đã khai báo biến ‘z’ và gán giá trị trả về của hàm np.concatenate ().
- Chúng ta đã chuyển mảng ‘x’ và ‘y’ trong hàm.
- Cuối cùng, chúng tôi đã in giá trị của ‘z’.
Trong đầu
ra, giá trị của toàn bộ hai mảng, tức là ‘x’ và ‘y’ được hiển thị theo trục = 0.
Đầu ra:
Ví dụ 2: numpy.concatenate () với axis = 0
import numpy as np
x=np.array([[1,2],[3,4]])
y=np.array([[12,30]])
z=np.concatenate((x,y), axis=0)
z
Output:
Ví dụ 3: numpy.concatenate () với axis = 1
import numpy as np
x=np.array([[1,2],[3,4]])
y=np.array([[12,30]])
z=np.concatenate((x,y.T), axis=1)
z
Output:
Trong ví dụ trên, ‘.T’ được sử dụng để thay đổi những hàng thành cột và cột thành hàng.
Xem thêm Sử dụng Linear Algebra trong Numpy
Ví dụ 4: numpy.concatenate () với axis = None
import numpy as np
x=np.array([[1,2],[3,4]])
y=np.array([[12,30]])
z=np.concatenate((x,y), axis=None)
z
Output:
Trong những ví dụ
trên, toàn bộ chúng ta đã sử dụng hàm np.concatenate (). Chức năng này sẽ không còn được bảo toàn che những nguồn vào MaskedArray. Có một cách sau này mà thông qua đó toàn bộ chúng ta hoàn toàn có thể nối những mảng hoàn toàn có thể duy trì việc che những nguồn vào MaskedArray.
Ví dụ 5: np.ma.concatenate ()
import numpy as np
x=np.ma.arange(3)
y=np.arange(3,6)
x[1]=np.ma.masked
x
y
z1=np.concatenate([x,y])
z2=np.ma.concatenate([x,y])
z1
z2
Trong đoạn code trên
- Chúng tôi đã tạo một mảng ‘x’ bằng phương pháp sử dụng hàm np.ma.arrange ().
- Sau đó, toàn bộ chúng ta đã tạo một mảng ‘y’ khác bằng phương pháp sử dụng cùng một hàm np.ma.arrange ().
- Chúng tôi đã khai báo
biến ‘z1’ và gán giá trị trả về của hàm np.concatenate (). - Chúng tôi đã khai báo biến ‘z2’ và gán giá trị trả về của hàm np.ma.concatenate ().
- Cuối cùng, chúng tôi đã nỗ lực in giá trị của ‘z1’ và ‘z2’.
Xem thêm Function trong R, những hàm trong R
Flattening
Trong phần này tôi xin trình làng cách chuyển một mảng nhiều chiều về mảng chỉ có môt chiều mà tôi gọi đó là làm phẳng (flatten) mảng
hoặc mảng có shape mong ước khác. Thư viện numpy phục vụ ta hai phương thức giúp ta thao tác này thuận tiện và đơn thuần và giản dị: flatten() và ravel().
Phưng thức flatten() sử dụng một tham số từ khoá tùy chọn “order”. Ý nghĩa của “order” được miêu tả dưới đây. Giá trị mặc định là “C”.
Ý nghĩa “order” cho toàn bộ flatten() và ravel(): với mảng a[i1][i2][i3]…[in]
‘C’: trật tự C-like , với chỉ số trục ở đầu cuối (in) thay đổi nhanh nhất có thể, quay trở lại chỉ số
trục thứ nhất thay đổi chậm nhất (i1). “C” là mặc định!
‘F’: trật tự Fortran-like, với chỉ số thứ nhất (i1) thay đổi nhanh nhất có thể, và chỉ số ở đầu cuối thay đổi chậm nhất (in).
‘A’: trật tự sẽ là Fortran-like nếu mảng “a” là “Fortran contiguous” trong bộ nhớ, tương tự trật tự sẽ là c-like nếu ngược lại.
‘K’: đọc những thành phần theo thứ tự chúng xuất hiện trong bộ nhớ, ngoại trừ việc hòn đảo chiều tài liệu khi chỉ số là âm.
Ví dụ:
import
numpy as np np.random.seed(1234) A = np.random.randint(100,size=(3,4,2)) print “A = “, A Flattened_X = A.flatten() print “Flattened_X = “, Flattened_X print “A.flatten(order=”C”) = “, A.flatten(order=”C”) print “A.flatten(order=”F”) = “, A.flatten(order=”F”) print “A.flatten(order=”A”) = “, A.flatten(order=”A”) Output: A = [[[47 83] [38 53] [76 24] [15 49]] [[23 26] [30 43] [30 26] [58 92]] [[69 80] [73 47] [50 76]
[37 34]]] Flattened_X = [47 83 38 53 76 24 15 49 23 26 30 43 30 26 58 92 69 80 73 47 50 76 37 34] A.flatten(order=”C”) = [47 83 38 53 76 24 15 49 23 26 30 43 30 26 58 92 69 80 73 47 50 76 37 34] A.flatten(order=”F”) = [47 23 69 38 30 73 76 30 50 15 58 37 83 26 80 53 43 47 24 26 76 49 92 34] A.flatten(order=”A”) = [47 83 38 53 76 24 15 49 23 26 30 43 30 26 58 92 69 80 73 47 50 76 37 34]
Sử dụng ravel(), thứ tự của những thành phần trong mảng trả về bởi ravel
() thường là kiểu “C-style”.
Cú pháp: ravel (a, order=”C”)
Ravel trả về một mảng một chiều. Bản sao được thực thi chỉ khi thiết yếu.
Thông số từ khóa tùy chọn “order” hoàn toàn có thể là ‘C’, ‘F’, ‘A’, hoặc ‘K’
Ví dụ:
import numpy as np np.random.seed(1234) A = np.random.randint(100,size=(3,4,2)) print “A = “, A RavelX = A.ravel() print “RavelX = “, RavelX print “A.ravel(order=”C”) = “, A.ravel(order=”C”) print “A.ravel(order=”F”)
= “, A.ravel(order=”F”) print “A.ravel(order=”A”) = “, A.ravel(order=”A”) Output: A = [[[47 83] [38 53] [76 24] [15 49]] [[23 26] [30 43] [30 26] [58 92]] [[69 80] [73 47] [50 76] [37 34]]] RavelX = [47 83 38 53 76 24 15 49 23 26 30 43 30 26 58 92 69 80 73 47 50 76 37 34] A.ravel(order=”C”) = [47 83 38 53 76 24 15 49 23 26 30 43 30 26 58 92 69 80 73 47 50 76 37 34] A.ravel(order=”F”) = [47 23 69 38
30 73 76 30 50 15 58 37 83 26 80 53 43 47 24 26 76 49 92 34] A.ravel(order=”A”) = [47 83 38 53 76 24 15 49 23 26 30 43 30 26 58 92 69 80 73 47 50 76 37 34]
Qua 2 ví dụ trên hoàn toàn có thể thấy cả hai phương thức ravel() hay flatten() đều trả về list kết quả như nhau. Vậy tại sao cần sinh ra 2 phương thức để thực thi cùng một việc làm ? Hãy cùng theo dõi ví dụ phía dưới:
>>> import numpy as np # Khoi tao 2 mang A, B voi cung seed -> Ta se nhan duoc
2 mang giong nhau >>> np.random.seed(10) >>> A=np.random.randint(20,size=(2,3)) >>> np.random.seed(10) >>> B=np.random.randint(20,size=(2,3)) >>> A array([[ 9, 4, 15], [ 0, 17, 16]]) >>> B array([[ 9, 4, 15], [ 0, 17, 16]]) # Lam phang 2 mang A,B voi phuong thuc flatten() va Ravel() >>> FlattenA = A.flatten() >>> RavelB = B.ravel() >>>
FlattenA array([ 9, 4, 15, 0, 17, 16]) >>> RavelB array([ 9, 4, 15, 0, 17, 16]) # Thay đổi mảng được trả về bởi 2 phương thức >>> FlattenA[0] = 1 >>> RavelB[0]= 1 # Thay đổi mảng được trả về bởi flatten() -> mảng gốc không thay đổi >>> A array([[ 9, 4, 15], [ 0, 17, 16]]) # Thay đổi mảng được trả về bởi ravel() -> mảng gốc thay đổi theo >>> B array([[ 1, 4, 15],
[ 0, 17, 16]]) >>>
Như vậy flatten() luôn trả về một copy của mảng gốc trong lúc ravel() là trả về một view của mảng gốc. Dẫn đến kết quả là nếu ta thay đổi giá trị mảng được trả về bởi ravel() thì mảng gốc cũng tiếp tục thay đổi theo. Bù lại thì ravel sẽ thường xử lý nhanh hơn bởi không cần memory để thực thi copy. Nhưng những bạn cần thận trọng với việc sửa đổi mảng được trả về bởi ravel().
Reshape
Làm
phẳng một mảng chỉ là một phương pháp để thay đổi chiều của mảng. Một mảng hoàn toàn có thể thay đổi thành bất kỳ chiều nào miễn là không thay đổi số lượng thành phần trong mảng. Việc này hoàn toàn có thể thực thi qua hàm reshape(). Phương thức reshape() đã được chúng tôi nhắc tới trong “bài 24: numpy slicing indexing”. Trong phần này tôi sẽ nêu rõ ràng hơn về ý nghĩa cũng như cú pháp của nó.
Reshape() trả về mảng mới có shape mới mà không thay đổi tài liệu của nó.
Cú
pháp là reshape(a, newshape, order=”C”), ý nghĩa của thông số: a là mảng cần reshape, newshape là một tuple sẽ nêu rõ kích thước những chiều muốn chuyển về, “order” sẽ nhận một trong những giá trị sau ‘C’, ‘F’, ‘A’ với ý nghĩa giống trong flatten() hay ravel().
Quan sát ví dụ sau để rõ hơn cách sử dụng reshape().
import numpy as np X = np.array(range(50)) print “X = “, X print “changing to (10,5)” Y = X.reshape((10,5)) print “Y = “,
Y print “changing to (2,5,5)” Y = X.reshape((2,5,5)) print “Y = “,Y Output: X = [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49] changing to (10,5) Y = [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14] [15 16 17 18 19] [20 21 22 23 24] [25 26 27 28 29] [30
31 32 33 34] [35 36 37 38 39] [40 41 42 43 44] [45 46 47 48 49]] changing to (2,5,5) Y = [[[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14] [15 16 17 18 19] [20 21 22 23 24]] [[25 26 27 28 29] [30 31 32 33 34] [35 36 37 38 39] [40 41 42 43 44] [45 46 47 48 49]]]
Ghép những mảng (Concatenating Arrays)
Trong quá
trình xử lý tài liệu, thật nhiều bài toán yên cầu cần ghép nối nhiều mảng với nhau để mở rộng hàng hay cột thì khĩ thuật “Concatenating Arrays” tỏ ra rất hiệu suất cao.
Cú pháp: numpy.concatenate((a1,a2,…), axis=0)
Trong số đó: (a1,a2,…) là list những mảng cần ghép.
Trong ví dụ sau, toàn bộ chúng ta nối ba mảng một chiều vào một trong những mảng qua phương thức concatenate()
import numpy as np x =
np.array([110,202]) y = np.array([108,70,6]) z = np.array([10,3,5]) c = np.concatenate((x,y,z)) print “x = “,x print “y = “, y print “c = “, c Output: x = [110 202] y = [108 70 6] c = [110 202 108 70 6 10 3 5]
Khi ghép những mảng đa chiều, toàn bộ chúng ta hoàn toàn có thể ghép những mảng theo trục. Điều kiện là mảng phải có cùng một size tương ứng với trục muốn ghép khi sử dụng concatenate(). Giá trị mặc định là axis = 0:
Dưới đấy là ví dụ cho toàn bộ hai trường hợp axis=0 và axis = 1, những bạn để ý quan tâm kết quả để hoàn toàn có thể hiểu được cách ghép.
import numpy as np np.random.seed(1234) x =np.random.randint(100,size=(2,2,3)) y =np.random.randint(100,size=(2,2,3)) print “x = “,x print “y = “,y z = np.concatenate((x,y)) print “np.concatenate((x,y)) = “,z print “change axis=1” z = np.concatenate((x,y),axis = 1) print “np.concatenate((x,y),axis = 1) = “,z Output: x = [[[47 83 38] [53 76 24]] [[15
49 23] [26 30 43]]] y = [[[30 26 58] [92 69 80]] [[73 47 50] [76 37 34]]] np.concatenate((x,y)) = [[[47 83 38] [53 76 24]] [[15 49 23] [26 30 43]] [[30 26 58] [92 69 80]] [[73 47 50] [76 37 34]]] change axis=1 np.concatenate((x,y),axis = 1) = [[[47 83 38] [53 76 24] [30 26 58] [92 69 80]] [[15 49 23] [26 30 43] [73 47 50] [76 37 34]]]
Adding
New Dimensions
Các tham số mới hoàn toàn có thể được thêm vào mảng bằng phương pháp sử dụng phối hợp slicing và np.newaxis. Chúng tôi minh họa kỹ thuật này bằng một ví dụ:
import numpy as np np.random.seed(1234) x = np.random.randint(100,size=10) print “x = “,x print “x[:,np.newaxis] = ” , x[:,np.newaxis] print “x[len(x)/2:,np.newaxis] = “, x[len(x)/2:,np.newaxis] Output: x = [47 83 38 53 76 24 15 49 23 26] x[:,np.newaxis] = [[47] [83]
[38] [53] [76] [24] [15] [49] [23] [26]] x[len(x)/2:,np.newaxis] = [[24] [15] [49] [23] [26]]
Xếp chồng những mảng:
Ta hoàn toàn có thể xếp chồng những mảng theo hàng hoặc theo cột qua hai phương thức sau: row_stack() và column_stack(). Bạn hoàn toàn có thể xếp chồng nhiều vectors tùy ý bạn, trong ví dụ dưới đây tôi lấy ví dụ cho 2 mảng. Chú ý kích thước chiều xếp chồng của những mảng
phải giống nhau.import numpy as np x = np.array(range(4)) np.random.seed(1234) y = np.random.randint(100,size=4) print “x = “, x print “y = “, y print “np.row_stack((x,y)) = “, np.row_stack((x,y)) print “np.column_stack((x,y)) = “, np.column_stack((x,y)) y = np.random.randint(100,size=(4,3)) print “y = “, y print “np.column_stack((x,y)) = “, np.column_stack((x,y)) Output: x = [0 1 2 3] y = [47 83 38 53] np.row_stack((x,y)) = [[ 0 1 2 3] [47
83 38 53]] np.column_stack((x,y)) = [[ 0 47] [ 1 83] [ 2 38] [ 3 53]] y = [[76 24 15] [49 23 26] [30 43 30] [26 58 92]] np.column_stack((x,y)) = [[ 0 76 24 15] [ 1 49 23 26] [ 2 30 43 30] [ 3 26 58 92]]
Phương thức tile()
Đôi khi, bạn muốn hoặc phải tạo một ma trận mới bằng phương pháp lặp lại một ma trận hiện có nhiều lần để tạo một ma trận mới với một hình dạng khác
hoặc thậm chí còn là kích thước. Ví dụ lập lại ma trận được bôi đỏ để tạo thành ma trận như mảng dưới đây. Theo hàng 4 lần, cột lập 5 lần.
1
2
1
2
1
2
1
2
1
2
3
4
3
4
3
4
3
4
3
4
1
2
1
2
1
2
1
2
1
2
3
4
3
4
3
4
3
4
3
4
1
2
1
2
1
2
1
2
1
2
3
4
3
4
3
4
3
4
3
4
1
2
1
2
1
2
1
2
1
2
3
4
3
4
3
4
3
4
3
4
Cú pháp tile(x,reps), trong số đó x là mảng cần lập, và reps là một tuple chỉ rõ hàng và cột cần lập bao nhiêu lần. Ví dụ:
import numpy as np x =np.array([[1,2],[3,4]]) print “x = “, x np.tile(x,(4,5)) print “np.tile(x,(4,5)) = “, np.tile(x,(4,5)) Output: x = [[1 2] [3 4]] np.tile(x,(4,5)) = [[1 2 1 2 1 2 1 2 1 2] [3 4 3 4 3 4 3 4 3 4] [1 2 1 2 1 2 1 2 1 2] [3 4 3 4 3 4 3 4 3 4] [1 2 1 2 1 2 1 2 1 2] [3
4 3 4 3 4 3 4 3 4] [1 2 1 2 1 2 1 2 1 2] [3 4 3 4 3 4 3 4 3 4]]
Kết luận
Qua bài này chúng tôi đã trình làng với những bạn thêm nhiều thao tác mới trên mảng, mà thông qua đó ảnh hưởng trực tiếp đến chiều của mảng. Sử dụng những phương thức flatten() hoặc ravel() khi bạn muốn chuyển mảng nhiều chiều về mảng chỉ có một chiều (hay làm phẳng mảng). Chú ý là flatten() trả về một copy của mảng gốc trong lúc ravel() là trả về một view của
mảng gốc. Reshape() mang đến nhiều tùy chọn hơn được cho phép bạn tạo ra mảng mới có shape mới mà không thay đổi tài liệu của nó. Ghép những mảng với phương thức concatenate(). Tăng chiều cho mảng đang tồn tại với numpy.newaxis. Xếp chồng những mảng theo hàng với row_stack() và theo cột với column_stack() hay tạo một ma trận mới bằng phương pháp lặp lại ma trận hiện có nhiều lần với tile().
Trong bài tiếp theo chúng tôi sẽ trình diễn rõ ràng hơn về đối tượng người dùng kiểu tài liệu ‘dtype’ –
đối tượng người dùng này đã được sử dụng nhiều trong những bài học kinh nghiệm tay nghề vừa qua.
Tải thêm tài liệu liên quan đến nội dung bài viết Hướng dẫn dùng concantinate python
programming
python
Reply
0
0
Chia sẻ
Share Link Down Hướng dẫn dùng concantinate python miễn phí
Bạn vừa tìm hiểu thêm Post Với Một số hướng dẫn một cách rõ ràng hơn về Clip Hướng dẫn dùng concantinate python tiên tiến và phát triển nhất và Chia Sẻ Link Cập nhật Hướng dẫn dùng concantinate python Free.
Giải đáp vướng mắc về Hướng dẫn dùng concantinate python
Nếu sau khi đọc nội dung bài viết Hướng dẫn dùng concantinate python vẫn chưa hiểu thì hoàn toàn có thể lại Comments ở cuối bài để Ad lý giải và hướng dẫn lại nha
#Hướng #dẫn #dùng #concantinate #python