Cách in một cột của ma trận trong python

Viết chương trình Python để đọc ma trận từ bàn điều khiển và in tổng cho mỗi cột. Chấp nhận các hàng, cột và thành phần ma trận cho mỗi cột được phân tách bằng khoảng trắng (cho mỗi hàng) làm đầu vào từ người dùng

Giải pháp mẫu

Mã Python

rows = int(input("Input rows: "))
columns = int(input("Input columns: "))
matrix = [[0]*columns for row in range(rows)]
print('Input number of elements in a row (1, 2, 3): ')
for row in range(rows):
    lines = list(map(int, input().split()))
    for column in range(columns):
        matrix[row][column] = lines[column]

sum = [0]*columns
print("sum for each column:")
for column in range(columns):
    for row in range(rows):
        sum[column] += matrix[row][column]
    print((sum[column]), ' ', end = '')

Đầu ra mẫu

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

Trình bày bằng hình ảnh

Sơ đồ

Trực quan hóa việc thực thi mã Python

Công cụ sau đây trực quan hóa những gì máy tính đang làm từng bước khi nó thực thi chương trình nói trên

Trình chỉnh sửa mã Python

Có một cách khác để giải quyết giải pháp này?

Trước. Viết chương trình Python để tạo lưới 3X3 với các số.
Tiếp theo. Viết chương trình Python đọc ma trận vuông từ bàn điều khiển và in tổng đường chéo chính của ma trận. Chấp nhận kích thước của ma trận vuông và các phần tử cho mỗi cột được phân tách bằng khoảng trắng (cho mỗi hàng) làm đầu vào từ người dùng.

Mức độ khó của bài tập này là gì?

Dễ dàng trung bình khó

Kiểm tra kỹ năng Lập trình của bạn với bài kiểm tra của w3resource



con trăn. Lời khuyên trong ngày

Hàm trả về bài tập

Một lớp lót rất lớn trong Python, điều này đôi khi làm cho cú pháp trở nên hấp dẫn và thiết thực. Bạn cũng có thể gán giá trị cho nhiều biến trong một dòng

Thao tác dữ liệu trong Python gần như đồng nghĩa với thao tác mảng NumPy. ngay cả những công cụ mới hơn như Pandas (Chương 3) cũng được xây dựng xung quanh mảng NumPy. Phần này sẽ trình bày một số ví dụ về việc sử dụng thao tác mảng NumPy để truy cập dữ liệu và các mảng con, đồng thời để phân tách, định hình lại và nối các mảng. Mặc dù các loại hoạt động được trình bày ở đây có vẻ hơi khô khan và mô phạm, nhưng chúng bao gồm các khối xây dựng của nhiều ví dụ khác được sử dụng xuyên suốt cuốn sách. Tìm hiểu kỹ về họ

Chúng tôi sẽ đề cập đến một số loại thao tác mảng cơ bản tại đây

• Thuộc tính của mảng. Xác định kích thước, hình dạng, mức tiêu thụ bộ nhớ và kiểu dữ liệu của mảng
• Lập chỉ mục của mảng. Nhận và đặt giá trị của các phần tử mảng riêng lẻ
• Cắt mảng. Nhận và thiết lập các mảng con nhỏ hơn trong một mảng lớn hơn
• Định hình lại các mảng. Thay đổi hình dạng của một mảng nhất định
• Nối và tách mảng. Kết hợp nhiều mảng thành một và tách một mảng thành nhiều mảng

Thuộc tính mảng NumPy¶

Trước tiên hãy thảo luận về một số thuộc tính mảng hữu ích. Chúng ta sẽ bắt đầu bằng cách xác định ba mảng ngẫu nhiên, mảng một chiều, hai chiều và ba chiều. Chúng tôi sẽ sử dụng trình tạo số ngẫu nhiên của NumPy, chúng tôi sẽ tạo một giá trị đã đặt để đảm bảo rằng các mảng ngẫu nhiên giống nhau được tạo mỗi khi mã này được chạy

Trong 1]

import numpy as np
np.random.seed(0)  # seed for reproducibility

x1 = np.random.randint(10, size=6)  # One-dimensional array
x2 = np.random.randint(10, size=(3, 4))  # Two-dimensional array
x3 = np.random.randint(10, size=(3, 4, 5))  # Three-dimensional array

Mỗi mảng có các thuộc tính

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

05 (số chiều),

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

06 (kích thước của mỗi chiều) và

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

07 (tổng kích thước của mảng)

Trong 2]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

Một thuộc tính hữu ích khác là

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

08, kiểu dữ liệu của mảng (mà chúng ta đã thảo luận trước đây trong Tìm hiểu các kiểu dữ liệu trong Python)

Trong 3]

print("dtype:", x3.dtype)

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

0

Các thuộc tính khác bao gồm

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

09, liệt kê kích thước (tính bằng byte) của từng phần tử mảng và

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

10, liệt kê tổng kích thước (tính bằng byte) của mảng

Trong [4]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

3

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

4

Nói chung, chúng ta kỳ vọng rằng

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

10 bằng với

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

09 nhân với

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

07

Lập chỉ mục mảng. Truy cập các phần tử đơn¶

Nếu bạn đã quen với cách lập chỉ mục danh sách tiêu chuẩn của Python, thì việc lập chỉ mục trong NumPy sẽ khá quen thuộc. Trong mảng một chiều, giá trị $i^{th}$ (đếm từ 0) có thể được truy cập bằng cách chỉ định chỉ mục mong muốn trong dấu ngoặc vuông, giống như với danh sách Python

Trong [5]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

8

Ra[5]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

9

Trong [6]

import numpy as np
np.random.seed(0)  # seed for reproducibility

x1 = np.random.randint(10, size=6)  # One-dimensional array
x2 = np.random.randint(10, size=(3, 4))  # Two-dimensional array
x3 = np.random.randint(10, size=(3, 4, 5))  # Three-dimensional array

0

Ra[6]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

0

Trong [7]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

1

Ra[7]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

2

Để lập chỉ mục từ cuối mảng, bạn có thể sử dụng chỉ số âm

Trong [8]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

3

Ra[8]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

4

Trong [9]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

5

Ra[9]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

2

Trong một mảng nhiều chiều, các mục có thể được truy cập bằng cách sử dụng bộ chỉ số được phân tách bằng dấu phẩy

Trong [10]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

7

Ra[10]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

8

Trong [11]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

9

Ra[11]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

0

Trong [12]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

1

Ra[12]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

2

Trong [13]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

3

Ra[13]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

2

Các giá trị cũng có thể được sửa đổi bằng cách sử dụng bất kỳ ký hiệu chỉ mục nào ở trên

Trong [14]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

5

Ra[14]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

6

Hãy nhớ rằng, không giống như danh sách Python, mảng NumPy có kiểu cố định. Điều này có nghĩa là, ví dụ, nếu bạn cố gắng chèn một giá trị dấu phẩy động vào một mảng số nguyên, thì giá trị đó sẽ bị cắt bớt một cách âm thầm. Đừng để bị bắt bởi hành vi này

Trong [15]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

7

Ra[15]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

8

Cắt mảng. Truy cập phân đoạn¶

Giống như chúng ta có thể sử dụng dấu ngoặc vuông để truy cập các phần tử mảng riêng lẻ, chúng ta cũng có thể sử dụng chúng để truy cập các mảng con bằng ký hiệu lát cắt, được đánh dấu bằng ký tự dấu hai chấm (

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

14). Cú pháp cắt NumPy tuân theo cú pháp của danh sách Python tiêu chuẩn;

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

9

Nếu bất kỳ giá trị nào trong số này không được chỉ định, chúng sẽ mặc định là các giá trị

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

16,

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

17

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

18,

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

19. Chúng ta sẽ xem xét việc truy cập các mảng con trong một chiều và nhiều chiều

Mảng con một chiều¶

Trong [16]

print("dtype:", x3.dtype)

0

Ra[16]

print("dtype:", x3.dtype)

1

Trong [17]

print("dtype:", x3.dtype)

2

Ra[17]

print("dtype:", x3.dtype)

3

Trong [18]

print("dtype:", x3.dtype)

4

Hết[18]

print("dtype:", x3.dtype)

5

Trong 19]

print("dtype:", x3.dtype)

6

Hết[19]

print("dtype:", x3.dtype)

7

Trong 20]

print("dtype:", x3.dtype)

8

Hết[20]

print("dtype:", x3.dtype)

9

Trong [21]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

00

Hết[21]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

01

Một trường hợp có khả năng gây nhầm lẫn là khi giá trị

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

20 âm. Trong trường hợp này, giá trị mặc định cho

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

21 và

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

22 được hoán đổi. Điều này trở thành một cách thuận tiện để đảo ngược một mảng

Trong [22]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

02

Hết[22]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

03

Trong [23]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

04

Hết[23]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

05

Phân mảng đa chiều¶

Các lát cắt đa chiều hoạt động theo cách tương tự, với nhiều lát cắt được phân tách bằng dấu phẩy. Ví dụ

Trong [24]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

7

Ra[24]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

6

Trong [25]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

08

Hết[25]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

09

Trong [26]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

30

Hết[26]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

31

Cuối cùng, kích thước mảng con thậm chí có thể được đảo ngược lại với nhau

Trong [27]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

32

Hết[27]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

33

Truy cập các hàng và cột của mảng¶

Một thói quen thường cần thiết là truy cập các hàng hoặc cột đơn lẻ của một mảng. Điều này có thể được thực hiện bằng cách kết hợp lập chỉ mục và cắt lát, sử dụng một lát cắt trống được đánh dấu bằng một dấu hai chấm (

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

14)

Trong [28]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

34

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

35

Trong [29]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

36

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

37

Trong trường hợp truy cập hàng, lát cắt trống có thể được bỏ qua để có cú pháp gọn hơn

Trong [30]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

38

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

37

Các mảng con dưới dạng chế độ xem không sao chép¶

Một điều quan trọng và cực kỳ hữu ích cần biết về các lát mảng là chúng trả về dạng xem chứ không phải bản sao của dữ liệu mảng. Đây là một lĩnh vực trong đó việc cắt mảng NumPy khác với việc cắt danh sách Python. trong danh sách, các lát sẽ là bản sao. Hãy xem xét mảng hai chiều của chúng tôi từ trước

Trong [31]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

40

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

41

Hãy trích xuất một mảng con $2 \times 2$ từ đây

Trong [32]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

42

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

43

Bây giờ nếu chúng ta sửa đổi mảng con này, chúng ta sẽ thấy rằng mảng ban đầu đã bị thay đổi. Quan sát

Trong [33]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

44

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

45

Trong [34]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

40

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

47

Hành vi mặc định này thực sự khá hữu ích. điều đó có nghĩa là khi chúng tôi làm việc với các bộ dữ liệu lớn, chúng tôi có thể truy cập và xử lý các phần của các bộ dữ liệu này mà không cần sao chép bộ đệm dữ liệu cơ bản

Tạo bản sao của mảng¶

Mặc dù các tính năng hay của chế độ xem mảng, nhưng đôi khi sẽ hữu ích khi sao chép rõ ràng dữ liệu trong một mảng hoặc một mảng con. Điều này có thể được thực hiện dễ dàng nhất với phương pháp

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

24

Trong [35]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

48

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

45

Nếu bây giờ chúng ta sửa đổi mảng con này, mảng ban đầu sẽ không được chạm vào

Trong [36]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

80

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

81

Trong [37]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

40

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

47

Định hình lại mảng¶

Một loại hoạt động hữu ích khác là định hình lại mảng. Cách linh hoạt nhất để làm điều này là với phương pháp

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

25. Ví dụ: nếu bạn muốn đặt các số từ 1 đến 9 trong lưới $3 \times 3$, bạn có thể thực hiện như sau

Trong [38]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

84

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

85

Lưu ý rằng để điều này hoạt động, kích thước của mảng ban đầu phải khớp với kích thước của mảng được định hình lại. Nếu có thể, phương thức

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

25 sẽ sử dụng chế độ xem không sao chép của mảng ban đầu, nhưng với bộ đệm bộ nhớ không liền kề thì điều này không phải lúc nào cũng đúng

Một mẫu định hình lại phổ biến khác là chuyển đổi mảng một chiều thành ma trận hàng hoặc cột hai chiều. Điều này có thể được thực hiện bằng phương pháp

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

25 hoặc thực hiện dễ dàng hơn bằng cách sử dụng từ khóa

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

28 trong thao tác cắt lát

Trong [39]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

86

Hết[39]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

87

Trong [40]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

88

Ra[40]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

87

Trong [41]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

90

Ra[41]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

91

Trong [42]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

92

Ra[42]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

91

Chúng ta sẽ thấy kiểu biến đổi này thường xuyên trong suốt phần còn lại của cuốn sách.

Nối và tách mảng¶

Tất cả các thủ tục trước đó đều hoạt động trên các mảng đơn lẻ. Cũng có thể kết hợp nhiều mảng thành một và ngược lại chia một mảng thành nhiều mảng. Chúng ta sẽ xem xét các hoạt động đó ở đây

Nối mảng¶

Ghép nối hoặc nối hai mảng trong NumPy chủ yếu được thực hiện bằng cách sử dụng các thói quen

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

29,

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

30 và

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

31.

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

29 lấy một bộ hoặc danh sách các mảng làm đối số đầu tiên của nó, như chúng ta có thể thấy ở đây

Trong [43]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

94

Ra[43]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

95

Bạn cũng có thể nối nhiều hơn hai mảng cùng một lúc

Trong [44]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

96

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

97

Nó cũng có thể được sử dụng cho mảng hai chiều

Trong [45]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

98

Trong [46]

Input rows:  2
Input columns:  2
Input number of elements in a row (1, 2, 3): 
 1 2
 3 4
sum for each column:
4  6 

99

Ra[46]

import numpy as np
np.random.seed(0)  # seed for reproducibility

x1 = np.random.randint(10, size=6)  # One-dimensional array
x2 = np.random.randint(10, size=(3, 4))  # Two-dimensional array
x3 = np.random.randint(10, size=(3, 4, 5))  # Three-dimensional array

00

Trong [47]

import numpy as np
np.random.seed(0)  # seed for reproducibility

x1 = np.random.randint(10, size=6)  # One-dimensional array
x2 = np.random.randint(10, size=(3, 4))  # Two-dimensional array
x3 = np.random.randint(10, size=(3, 4, 5))  # Three-dimensional array

01

Ra[47]

import numpy as np
np.random.seed(0)  # seed for reproducibility

x1 = np.random.randint(10, size=6)  # One-dimensional array
x2 = np.random.randint(10, size=(3, 4))  # Two-dimensional array
x3 = np.random.randint(10, size=(3, 4, 5))  # Three-dimensional array

02

Để làm việc với các mảng có kích thước hỗn hợp, có thể rõ ràng hơn khi sử dụng các hàm

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

30 (ngăn xếp dọc) và

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

31 (ngăn xếp ngang)

Trong [48]

import numpy as np
np.random.seed(0)  # seed for reproducibility

x1 = np.random.randint(10, size=6)  # One-dimensional array
x2 = np.random.randint(10, size=(3, 4))  # Two-dimensional array
x3 = np.random.randint(10, size=(3, 4, 5))  # Three-dimensional array

03

Ra[48]

import numpy as np
np.random.seed(0)  # seed for reproducibility

x1 = np.random.randint(10, size=6)  # One-dimensional array
x2 = np.random.randint(10, size=(3, 4))  # Two-dimensional array
x3 = np.random.randint(10, size=(3, 4, 5))  # Three-dimensional array

04

Trong [49]

import numpy as np
np.random.seed(0)  # seed for reproducibility

x1 = np.random.randint(10, size=6)  # One-dimensional array
x2 = np.random.randint(10, size=(3, 4))  # Two-dimensional array
x3 = np.random.randint(10, size=(3, 4, 5))  # Three-dimensional array

05

Ra[49]

import numpy as np
np.random.seed(0)  # seed for reproducibility

x1 = np.random.randint(10, size=6)  # One-dimensional array
x2 = np.random.randint(10, size=(3, 4))  # Two-dimensional array
x3 = np.random.randint(10, size=(3, 4, 5))  # Three-dimensional array

06

Tương tự, ________ 335 sẽ xếp các mảng dọc theo trục thứ ba

Tách mảng¶

Ngược lại với nối là tách, được thực hiện bởi các hàm

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

36,

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

37 và

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

38. Đối với mỗi trong số này, chúng ta có thể chuyển một danh sách các chỉ số cho các điểm phân chia

Trong [50]

import numpy as np
np.random.seed(0)  # seed for reproducibility

x1 = np.random.randint(10, size=6)  # One-dimensional array
x2 = np.random.randint(10, size=(3, 4))  # Two-dimensional array
x3 = np.random.randint(10, size=(3, 4, 5))  # Three-dimensional array

07

import numpy as np
np.random.seed(0)  # seed for reproducibility

x1 = np.random.randint(10, size=6)  # One-dimensional array
x2 = np.random.randint(10, size=(3, 4))  # Two-dimensional array
x3 = np.random.randint(10, size=(3, 4, 5))  # Three-dimensional array

08

Lưu ý rằng N điểm phân tách dẫn đến N + 1 mảng con. Các chức năng liên quan

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

37 và

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

38 là tương tự nhau