Trong bài viết này, chúng ta sẽ tìm hiểu mảng trong lập trình python là gì và cách khởi tạo mảng trong python như thế nào? . Ngoài ra, chúng ta sẽ xem một ví dụ về từng phương thức cùng với cú pháp của nó sẽ được tuân theo và đầu ra của ví dụ đã cho. Vì vậy, hãy bắt đầu
Mảng trong Python là gì?
Mảng là một cấu trúc dữ liệu trong lập trình python chứa số phần tử cố định và các phần tử này phải có cùng kiểu dữ liệu. Ý tưởng chính đằng sau việc sử dụng một mảng lưu trữ nhiều phần tử cùng loại. Hầu hết cấu trúc dữ liệu sử dụng một mảng để thực hiện thuật toán của họ. Có hai phần quan trọng của mảng
- Thành phần. Mỗi phần tử lưu trữ trong mảng được gọi là một phần tử
- Mục lục. Mỗi phần tử trong mảng có giá trị số riêng để xác định phần tử
Các phần tử này phân bổ các vị trí bộ nhớ liền kề cho phép dễ dàng sửa đổi dữ liệu. Trong ngôn ngữ python, trước khi sử dụng mảng chúng ta cần khai báo module tên là “array” bằng từ khóa “import”
3 cách để khởi tạo một mảng trong Python
Để sử dụng mảng trong ngôn ngữ python có tổng cộng 3 cách khởi tạo. Chúng ta sẽ xem xét cả 3 cách khởi tạo một mảng trong python. Hãy để chúng tôi nghiên cứu từng cái một dưới đây
Sử dụng vòng lặp for và Python range[] Hàm
Để khởi tạo một mảng với giá trị mặc định, chúng ta có thể sử dụng hàm for loop và range[] trong ngôn ngữ python
cú pháp. [giá trị cho phần tử trong phạm vi [num]]
Hàm range[] trong Python lấy một số làm đối số và trả về một dãy số bắt đầu từ 0 và kết thúc bởi một số cụ thể, mỗi lần tăng thêm 1
Ngôn ngữ Python cho vòng lặp sẽ đặt giá trị 0 [giá trị mặc định] cho mọi mục bên trong mảng giữa phạm vi được chỉ định trong hàm phạm vi []
Ví dụ
array=[] array = [0 for i in range[3]] print[array]
Đầu ra của đoạn mã trên sẽ như hình dưới đây
[0, 0, 0]
Khởi tạo mảng bằng mô-đun python NumPy
Ngôn ngữ Python có nhiều thư viện và chức năng sẵn có giúp công việc của chúng ta dễ dàng và đơn giản hơn so với các ngôn ngữ lập trình khác. Mô-đun NumPy là một trong số đó. Mô-đun NumPy có thể được sử dụng để khởi tạo mảng và thao tác dữ liệu được lưu trữ trong đó. Con số. Hàm empty[] của mô-đun NumPy tạo một mảng có kích thước xác định với giá trị mặc định=”None”
cú pháp. cục mịch. trống [kích thước, dtype = đối tượng]
Ví dụ
import numpy as np array = np.empty[5, dtype=object] print[array]
Đầu ra của đoạn mã trên sẽ như hình dưới đây
[Không Không Không Không Không Không Không]
Các phương thức trực tiếp để khởi tạo một mảng
Trong ngôn ngữ python, chúng ta có thể khởi tạo trực tiếp các phần tử bên trong một mảng bằng phương thức bên dưới
cú pháp. tên mảng = [giá trị mặc định]*kích thước
Ví dụ
arr_number = [1] * 3 print[arr_number] arr_string = ['D'] * 3 print[arr_string]
Đầu ra của mã trên là như hình dưới đây
[1, 1, 1]
['Đ', 'Đ', 'Đ']
Phần kết luận
Do đó, mảng được sử dụng để lưu trữ các phần tử có cùng kiểu dữ liệu và trên đây là một số phương thức được sử dụng để tạo hoặc khởi tạo mảng trong lập trình python. Hơn nữa, chúng ta có thể thực hiện nhiều phép toán và sửa đổi như thêm, xóa hoặc cập nhật một phần tử bên trong mảng với cú pháp thích hợp để tuân theo. Tôi hy vọng cuối cùng bạn đã học được cách khởi tạo một mảng trong python
Chương này là phần tiếp theo của NumPy Array Basics A. Chúng tôi đã chơi với mảng NumPy sau
>>> import numpy as np
>>> rArray = np.arange[0,20].reshape[[5,4]]
>>> rArray
array[[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19]]]
Trong chương trước, chúng ta đã học cách cắt mảng NumPy hoạt động giống như danh sách python
Gán giá trị cho một mảng NumPy
Giống như danh sách python, chúng ta có thể gán giá trị cho các vị trí cụ thể
>>> squareArray = rArray[:3:,:3,]
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 50, 6],
[ 8, 9, 100]]]
>>> squareArray[0,0] *= 10
>>> squareArray[1,1] *= 10
>>> squareArray[2,2] *= 10
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 500, 6],
[ 8, 9, 1000]]]
Gán giá trị cho một lát mảng NumPy
Chúng ta có thể cắt một mảng NumPy và gán giá trị cho nó. Ví dụ bên dưới, cắt hàng đầu tiên và gán -1 cho các phần tử của hàng đầu tiên
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 500, 6],
[ 8, 9, 1000]]]
>>> squareArray[:1:,] = -1
>>> squareArray
array[[[ -1, -1, -1],
[ 4, 500, 6],
[ 8, 9, 1000]]]
Lập chỉ mục bằng cách sử dụng một mảng các chỉ số
Chúng ta có thể lập chỉ mục mảng NumPy bằng cách sử dụng một mảng các chỉ số
>>> import numpy as np
>>> indxArr = np.array[[0,1,1,2,3]]
>>> indxArr
array[[0, 1, 1, 2, 3]]
>>> rnd = np.random.random[[10,1]]
>>> rnd
array[[[ 0.20903716],
[ 0.98787586],
[ 0.12038364],
[ 0.54208977],
[ 0.49319279],
[ 0.77011847],
[ 0.57856482],
[ 0.55202036],
[ 0.58084383],
[ 0.45641956]]]
>>> rnd[indxArr]
array[[[ 0.20903716],
[ 0.98787586],
[ 0.98787586],
[ 0.12038364],
[ 0.54208977]]]
Trước tiên, chúng tôi đã xác định mảng chỉ mục NumPy, indxArr, sau đó sử dụng nó để truy cập các phần tử của mảng NumPy ngẫu nhiên, rnd. Như chúng ta có thể thấy từ đầu ra, chúng ta có thể nhận được các phần tử thứ 0, 1, 1, 2 và 3 của mảng ngẫu nhiên
các np. trống rỗng[. ] chứa đầy các giá trị ngẫu nhiên/rác
>>> import numpy as np
>>> emptyArray = np.empty[[2,3]]
>>> emptyArray
array[[[ 0.00000000e+000, 3.39519327e-313, 0.00000000e+000],
[ 4.94065646e-324, 1.83322544e-316, 6.94110822e-310]]]
Có vẻ như ngẫu nhiên, nhưng nó không phải. Vì vậy, nếu chúng ta cần số thực ngẫu nhiên, chúng ta không nên sử dụng giá trị rỗng này [. ]
Lập chỉ mục bằng cách sử dụng một mảng chỉ số boolean
Chúng ta có thể lập chỉ mục mảng NumPy với mảng boolean
________số 8Chúng tôi đặt mảng chỉ mục với giá trị bool Chỉ đúng cho các phần tử đường chéo và chúng tôi chỉ có thể nhận các mục đó dưới dạng mảng 1-D
Lập chỉ mục bằng cách sử dụng mảng hàng/cột chỉ mục
>>> squareArray
array[[[ -1, -1, -1],
[ 4, 500, 6],
[ 8, 9, 1000]]]
>>> indxRow = np.array[[False, True, False]]
>>> indxCol = np.array[[True, False, True]]
>>> squareArray[indxRow, indxCol]
array[[4, 6]]
indxRow chỉ muốn hàng thứ 2 và indxCol chỉ muốn hàng thứ nhất và thứ 3, và chúng tôi đã chọn đúng hàng
Chúng ta có thể sử dụng ma trận boolean dựa trên một số bài kiểm tra và sử dụng nó làm chỉ mục để lấy các phần tử của ma trận vượt qua bài kiểm tra
Chúng ta có thể sử dụng ma trận boolean dựa trên một số bài kiểm tra và sử dụng nó làm chỉ mục để lấy các phần tử của ma trận vượt qua bài kiểm tra
import numpy as np array = np.empty[5, dtype=object] print[array]0
Cách lập chỉ mục như ở phần trước cũng có thể dùng để gán giá trị cho các phần tử của mảng. Điều này đặc biệt hữu ích nếu chúng ta muốn lọc một mảng. Chúng tôi có thể chắc chắn rằng tất cả các giá trị của nó đều ở trên/dưới một ngưỡng nhất định
Chúng tôi sẽ sử dụng std[. ] trả về độ lệch chuẩn của tất cả các phần tử trong mảng đã cho
import numpy as np array = np.empty[5, dtype=object] print[array]1
Chúng tôi sẽ tạo một bản sao của myArray sẽ được kẹp. Nó sẽ chỉ chứa các giá trị trong một độ lệch chuẩn của giá trị trung bình. Các giá trị quá thấp hoặc quá cao sẽ được đặt thành tối thiểu và tối đa tương ứng. Chúng tôi đặt dtype=float vì thông thường myAverage và standardDev là các số dấu phẩy động
import numpy as np array = np.empty[5, dtype=object] print[array]2
>>> squareArray = rArray[:3:,:3,]
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 50, 6],
[ 8, 9, 100]]]
>>> squareArray[0,0] *= 10
>>> squareArray[1,1] *= 10
>>> squareArray[2,2] *= 10
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 500, 6],
[ 8, 9, 1000]]]
0{dot} thực chất là phép nhân ma trận
>>> squareArray = rArray[:3:,:3,]
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 50, 6],
[ 8, 9, 100]]]
>>> squareArray[0,0] *= 10
>>> squareArray[1,1] *= 10
>>> squareArray[2,2] *= 10
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 500, 6],
[ 8, 9, 1000]]]
1____42>>> squareArray = rArray[:3:,:3,]
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 50, 6],
[ 8, 9, 100]]]
>>> squareArray[0,0] *= 10
>>> squareArray[1,1] *= 10
>>> squareArray[2,2] *= 10
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 500, 6],
[ 8, 9, 1000]]]
3Nó trả về các phần tử, từ x hoặc y, tùy thuộc vào điều kiện.
Nếu chỉ đưa ra điều kiện thì trả về điều kiện. khác không[].
Thông số
- điều kiện, tình trạng, trạng thái. array_like, bool Khi đúng, mang lại x, nếu không thì mang lại y
- x, y. array_like, Giá trị tùy chọn để chọn. x và y cần phải có hình dạng giống như điều kiện
trả lại
ngoài. ndarray hoặc bộ ndarrays Nếu cả x và y được chỉ định, mảng đầu ra chứa các phần tử của x khi điều kiện là True và các phần tử từ y ở nơi khác. Nếu chỉ có điều kiện được đưa ra, hãy trả về điều kiện tuple. nonzero[], các chỉ số có điều kiện là True
Chỉ điều kiện được đưa ra, trong đó trả về các chỉ số cho các phần tử thỏa mãn điều kiện
>>> squareArray = rArray[:3:,:3,]
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 50, 6],
[ 8, 9, 100]]]
>>> squareArray[0,0] *= 10
>>> squareArray[1,1] *= 10
>>> squareArray[2,2] *= 10
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 500, 6],
[ 8, 9, 1000]]]
4Nó trả về [2,2] dưới dạng chỉ số cho phần tử '8'
>>> squareArray = rArray[:3:,:3,]
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 50, 6],
[ 8, 9, 100]]]
>>> squareArray[0,0] *= 10
>>> squareArray[1,1] *= 10
>>> squareArray[2,2] *= 10
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 500, 6],
[ 8, 9, 1000]]]
5Nếu một số phần tử đáp ứng điều kiện, nó sẽ trả về các chỉ số cho tất cả các phần tử đó [4 phần tử đầu tiên là >> squareArray = rArray[:3:,:3,] >>> squareArray array[[[ 0, 1, 2], [ 4, 50, 6], [ 8, 9, 100]]] >>> squareArray[0,0] *= 10 >>> squareArray[1,1] *= 10 >>> squareArray[2,2] *= 10 >>> squareArray array[[[ 0, 1, 2], [ 4, 500, 6], [ 8, 9, 1000]]] 6
Trong cùng ngữ cảnh, ví dụ bên dưới trả về các chỉ số đường chéo [0,0], [1,1] và [2,2]
>>> squareArray = rArray[:3:,:3,]
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 50, 6],
[ 8, 9, 100]]]
>>> squareArray[0,0] *= 10
>>> squareArray[1,1] *= 10
>>> squareArray[2,2] *= 10
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 500, 6],
[ 8, 9, 1000]]]
7Hãy xem xét nhiều trường hợp hơn;
>>> squareArray = rArray[:3:,:3,]
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 50, 6],
[ 8, 9, 100]]]
>>> squareArray[0,0] *= 10
>>> squareArray[1,1] *= 10
>>> squareArray[2,2] *= 10
>>> squareArray
array[[[ 0, 1, 2],
[ 4, 500, 6],
[ 8, 9, 1000]]]
8Ví dụ sau hoạt động như một loại mặt nạ. nếu bất kỳ phần tử nào của x không thỏa mãn x < 5, -1 sẽ thay thế phần tử đó