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 Show
Giải pháp mẫu Mã Python
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 PythonCông 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. Mức độ khó của bài tập này là gì? Dễ dàng trung bình khóKiểm tra kỹ năng Lập trình của bạn với bài kiểm tra của w3resource con trăn. Lời khuyên trong ngàyHàm 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 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 60 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 63 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 64 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 68 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 69 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 array0 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: 600 Trong [12] x3 ndim: 3 x3 shape: (3, 4, 5) x3 size: 601 Ra[12] x3 ndim: 3 x3 shape: (3, 4, 5) x3 size: 602 Trong [13] x3 ndim: 3 x3 shape: (3, 4, 5) x3 size: 603 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: 605 Ra[14] x3 ndim: 3 x3 shape: (3, 4, 5) x3 size: 606 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: 607 Ra[15] x3 ndim: 3 x3 shape: (3, 4, 5) x3 size: 608 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: 609 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: 4 600 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: 4 601 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: 4 602 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: 4 603 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: 4 604 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: 4 605 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: 606 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: 4 608 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: 4 609 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: 4 630 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: 4 631 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: 4 632 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: 4 633 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: 4 634 Input rows: 2 Input columns: 2 Input number of elements in a row (1, 2, 3): 1 2 3 4 sum for each column: 4 635 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: 4 636 Input rows: 2 Input columns: 2 Input number of elements in a row (1, 2, 3): 1 2 3 4 sum for each column: 4 637 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: 4 638 Input rows: 2 Input columns: 2 Input number of elements in a row (1, 2, 3): 1 2 3 4 sum for each column: 4 637 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: 4 640 Input rows: 2 Input columns: 2 Input number of elements in a row (1, 2, 3): 1 2 3 4 sum for each column: 4 641 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: 4 642 Input rows: 2 Input columns: 2 Input number of elements in a row (1, 2, 3): 1 2 3 4 sum for each column: 4 643 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: 4 644 Input rows: 2 Input columns: 2 Input number of elements in a row (1, 2, 3): 1 2 3 4 sum for each column: 4 645 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: 4 640 Input rows: 2 Input columns: 2 Input number of elements in a row (1, 2, 3): 1 2 3 4 sum for each column: 4 647 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: 4 648 Input rows: 2 Input columns: 2 Input number of elements in a row (1, 2, 3): 1 2 3 4 sum for each column: 4 645 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: 4 680 Input rows: 2 Input columns: 2 Input number of elements in a row (1, 2, 3): 1 2 3 4 sum for each column: 4 681 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: 4 640 Input rows: 2 Input columns: 2 Input number of elements in a row (1, 2, 3): 1 2 3 4 sum for each column: 4 647 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: 4 684 Input rows: 2 Input columns: 2 Input number of elements in a row (1, 2, 3): 1 2 3 4 sum for each column: 4 685 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: 4 686 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: 4 687 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: 4 688 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: 4 687 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: 4 690 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: 4 691 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: 4 692 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: 4 691 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: 4 694 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: 4 695 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: 4 696 Input rows: 2 Input columns: 2 Input number of elements in a row (1, 2, 3): 1 2 3 4 sum for each column: 4 697 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: 4 698 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: 4 699 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 array00 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 array01 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 array02 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 array03 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 array04 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 array05 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 array06 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 array07 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 array08 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 |