آموزش ایجاد آرایه از داده های موجود در NumPy
آموزش ایجاد آرایه از داده های موجود در NumPy
در این درس از مجموعه آموزش برنامه نویسی سایت سورس باران، به آموزش ایجاد آرایه از داده های موجود در NumPy خواهیم پرداخت.
پیشنهاد ویژه : پکیج آموزش پایتون
numpy.asarray
این تابع مشابه numpy.array است به جز اینکه پارامترهای کمتری دارد. این روال برای تبدیل توالی پایتون به جدایی مفید است.
|
1 |
numpy.asarray(a, dtype = None, order = None) |
سازنده پارامترهای زیر را در نظر می گیرد.
| پارامترها | |
|---|---|
| 1 | a
داده ها را به هر شکلی مانند لیست ، لیست tuples ، tuples ، tuple tuples یا tuple list وارد کنید |
| 2 | dtype
به طور پیش فرض ، نوع داده داده ورودی به تقسیم نتیجه اعمال می شود |
| 3 | order
C (ردیف عمده) یا F (ستون اصلی). C به طور پیش فرض است |
مثال های زیر نشان می دهد که چگونه می توانید از تابع asarray استفاده کنید.
مثال 1
|
1 2 3 4 5 6 |
# convert list to ndarray import numpy as np x = [1,2,3] a = np.asarray(x) print a |
خروجی آن به شرح زیر است –
|
1 |
[1 2 3] |
مثال 2
|
1 2 3 4 5 6 |
# dtype is set import numpy as np x = [1,2,3] a = np.asarray(x, dtype = float) print a |
اکنون، خروجی به شرح زیر خواهد بود –
|
1 |
[1. 2. 3.] |
مثال 3
|
1 2 3 4 5 6 |
# ndarray from tuple import numpy as np x = (1,2,3) a = np.asarray(x) print a |
خروجی آن خواهد بود –
|
1 |
[1 2 3] |
مثال 4
|
1 2 3 4 5 6 |
# ndarray from list of tuples import numpy as np x = [(1,2,3),(4,5)] a = np.asarray(x) print a |
در اینجا، خروجی به شرح زیر است –
|
1 |
[(1 ، 2 ، 3) (4 ، 5)] |
numpy.frombuffer
این تابع یک بافر را به عنوان یک آرایه یک بعدی تفسیر می کند. هر جسمی که رابط بافر را در معرض دید قرار دهد ، به عنوان پارامتر برای بازگشت یک تقسیم بندی استفاده می شود.
|
1 |
numpy.frombuffer(buffer, dtype = float, count = -1, offset = 0) |
سازنده پارامترهای زیر را در نظر می گیرد.
| پارامترها | |
|---|---|
| 1 | buffer
هر جسمی که رابط بافر را در معرض دید قرار دهد |
| 2 | dtype
نوع داده تقسیم بازگشتی. به طور پیش فرض شناور است |
| 3 | count
تعداد مواردی که باید بخوانید ، به طور پیش فرض 1- یعنی همه داده ها |
| 4 | offset
موقعیت شروع برای خواندن. پیش فرض 0 است |
مثال
مثالهای زیر استفاده از عملکرد بافر را نشان می دهد.
|
1 2 3 4 |
import numpy as np s = 'Hello World' a = np.frombuffer(s, dtype = 'S1') print a |
در اینجا خروجی آن است –
|
1 |
['H' 'e' 'l' 'l' 'o' ' ' 'W' 'o' 'r' 'l' 'd'] |
numpy.fromiter
این تابع از هر جسم قابل تکرار یک جسم ndarray می سازد. یک آرایه یک بعدی جدید توسط این تابع برمی گردد.
|
1 |
numpy.fromiter(iterable, dtype, count = -1) |
در اینجا سازنده پارامترهای زیر را در نظر می گیرد.
| پارامترها | |
|---|---|
| 1 | iterable
هر شی قابل تکرار |
| 2 | dtype
نوع داده آرایه حاصل |
| 3 | count
تعداد مواردی که باید از تکرار کننده بخوانید. پیش فرض -1 است که به معنای خواندن تمام داده ها است |
مثالهای زیر نحوه استفاده از تابع داخلی () برای برگرداندن یک شی لیست را نشان می دهد. از تکرار کننده این لیست برای تشکیل یک شی ndarray استفاده می شود.
مثال 1
|
1 2 3 4 |
# create list object using range function import numpy as np list = range(5) print list |
خروجی آن به شرح زیر است –
|
1 |
[0 ، 1 ، 2 ، 3 ، 4] |
مثال 2
|
1 2 3 4 5 6 7 8 |
# obtain iterator object from list import numpy as np list = range(5) it = iter(list) # use iterator to create ndarray x = np.fromiter(it, dtype = float) print x |
اکنون ، خروجی به شرح زیر خواهد بود –
|
1 |
[0 1. 2. 3. 4.] |
لیست جلسات قبل آموزش NumPy
.svg)
دیدگاه شما