Ở trên là tự giải thích, chúng tôi đang so sánh hai phần tử cụ thể trong mảng. Nhưng nếu chúng tôi không chỉ định các yếu tố cụ thể để so sánh, chúng tôi sẽ gặp lỗi. Lấy đoạn mã sau
import numpy as np myData = np.array[[[1.1, 2.2, 3.3], [4.4, 5.5, 6.6]]] print [myData.shape] print [myData[0,:]] print [myData[1,:]] if [myData[0,:]>myData[1,:]]: print ["yes"] else: print ["no"]
[2, 3]
[1.1 2.2 3.3]
[4.4 5.5 6.6]
Chúng tôi thấy một lỗi giá trị khi chúng tôi cố gắng thực hiện các thao tác trên, vì chúng tôi không đánh giá 1 phần tử so với phần tử khác. Chúng tôi đang cố gắng đánh giá một phạm vi so với một phạm vi khác
a. bất kỳ [] và một. tất cả các[]
cái gì là. bất kỳ [] và một. tất cả các[]
Theo tài liệu
a. không tí nào[].
Kiểm tra xem bất kỳ phần tử mảng nào dọc theo một trục đã cho có đánh giá là True hay không.
a. tất cả các[].
Kiểm tra xem tất cả các phần tử mảng dọc theo một trục đã cho có đánh giá là True hay không.
Hãy thử sử dụng cái này
import numpy as np myData = np.array[[[1.1, 9.2, 2.3], [4.4, 5.5, 6.6]]] print [myData.shape] print [myData[0,:]] print [myData[1,:]] if [myData[0,:]>myData[1,:]].any[]: print ["yes"] else: print ["no"]
[2, 3]
[1.1 9.2 2.3]
[4.4 5.5 6.6]
yes
Bằng cách sử dụng bất kỳ [] ở trên, chúng tôi đang nói nếu bất kỳ phần tử nào trong hàng đầu tiên lớn hơn bất kỳ phần tử phù hợp nào trong hàng thứ hai, hãy trả về “có”
Để rõ ràng, những gì nó hỏi thực sự là 3 câu hỏi
- là 1. 1 lớn hơn 4. 4?
- là 9. 2 lớn hơn 5. 5?
- là 2. 3 lớn hơn 6. 6?
Như bạn có thể thấy, câu hỏi 2 sẽ trả về true trong khi 1 & 3 sẽ trả về false. Bởi vì chúng tôi đang sử dụng bất kỳ[], câu lệnh if trả về true
Như bạn có thể thấy, 9. 2 lớn hơn phần tử tương ứng mà nó đang được kiểm tra, vì vậy nó trả về true [in ra “có”]
Bây giờ nó trở nên rõ ràng hơn những gì all[] sẽ làm
Sử dụng cùng một mảng, đoạn mã sau trả về “Không”
import numpy as np myData = np.array[[[1.1, 9.2, 2.3], [4.4, 5.5, 6.6]]] print [myData.shape] print [myData[0,:]] print [myData[1,:]] if [myData[0,:]>myData[1,:]].all[]: print ["yes"] else: print ["no"]
[2, 3]
[1.1 9.2 2.3]
[4.4 5.5 6.6]
no
Sử dụng all[], 3 câu hỏi chúng tôi đã hỏi ở trên đều cần phải đúng, như bên dưới
import numpy as np myData = np.array[[[14.1, 9.2, 6.600001], [4.4, 5.5, 6.6]]] print [myData.shape] print [myData[0,:]] print [myData[1,:]] if [myData[0,:]>myData[1,:]].all[]: print ["yes"] else: print ["no"]
[2, 3]
[14.1 9.2 6.600001]
[4.4 5.5 6.6]
yes
Bạn có thể thấy ở trên rằng mọi phần tử của dữ liệu đầu tiên đều lớn hơn mọi phần tử tương ứng trong dữ liệu thứ hai
Khi hai mảng numpy được so sánh bằng toán tử ==, nó sẽ trả về một mảng boolean. Nếu bất kỳ giá trị nào trong mảng boolean là true, thì các phần tử tương ứng trong cả hai mảng đều bằng nhau, ngược lại thì không bằng nhau
Cách tiếp cận
quảng cáo
- Nhập thư viện NumPy
- Tạo hai mảng numpy có độ dài bằng nhau
- áp dụng toán tử
[ True True False False True] Both Arrays are not equal
2 trên cả hai mảng, tôi. đ,[ True True False False True] Both Arrays are not equal
3. Nó sẽ trả về một mảng bool - Gọi hàm all[] trên mảng bool. Nếu nó trả về True, điều đó có nghĩa là cả hai mảng đều bằng nhau, nếu không thì không
Mã nguồn
[2, 3]0
[1.1 2.2 3.3]
[4.4 5.5 6.6]
đầu ra
________số 8Việc so sánh cũng có thể được thực hiện với các toán tử lớn hơn [>] và nhỏ hơn [ và ] và nhỏ hơn [myData[1,:]].any[]: print ["yes"] else: print ["no"] 0
đầu ra
import numpy as np myData = np.array[[[1.1, 9.2, 2.3], [4.4, 5.5, 6.6]]] print [myData.shape] print [myData[0,:]] print [myData[1,:]] if [myData[0,:]>myData[1,:]].any[]: print ["yes"] else: print ["no"]1
So sánh hai Mảng NumPy bằng cách sử dụng Danh sách hiểu
Sử dụng khả năng hiểu danh sách, lặp qua mảng và so sánh từng phần tử bằng toán tử
[ True True False False True] Both Arrays are not equal7
Cách tiếp cận
- Nhập thư viện NumPy
- Tạo hai mảng numpy có độ dài bằng nhau
- Sử dụng hiểu danh sách để so sánh các yếu tố
- In mảng boolean
Mã nguồn
import numpy as np myData = np.array[[[1.1, 9.2, 2.3], [4.4, 5.5, 6.6]]] print [myData.shape] print [myData[0,:]] print [myData[1,:]] if [myData[0,:]>myData[1,:]].any[]: print ["yes"] else: print ["no"]3
đầu ra
import numpy as np myData = np.array[[[1.1, 9.2, 2.3], [4.4, 5.5, 6.6]]] print [myData.shape] print [myData[0,:]] print [myData[1,:]] if [myData[0,:]>myData[1,:]].any[]: print ["yes"] else: print ["no"]4
So sánh hai mảng NumPy sử dụng vòng lặp while
Lặp lại mảng bằng vòng lặp while và so sánh từng phần tử bằng toán tử
[ True True False False True] Both Arrays are not equal7. Để truy cập các phần tử của cả hai mảng, hãy sử dụng lập chỉ mục
Cách tiếp cận
- Nhập thư viện NumPy
- Tạo hai mảng numpy có độ dài bằng nhau
- Lặp lại mảng bằng vòng lặp while và so sánh các phần tử
- in mảng boolean
Mã nguồn
[ True True False False True] Both Arrays are not equal0
đầu ra
[ True True False False True] Both Arrays are not equal1
Bản tóm tắt
Tuyệt quá. bạn đã tạo ra nó, Chúng tôi đã thảo luận về Tất cả các phương pháp khả thi để so sánh hai phần tử Mảng NumPy một cách khôn ngoan bằng cách sử dụng Python. học tập vui vẻ
Hướng dẫn về Pandas -Tìm hiểu Phân tích dữ liệu với Python
- Hướng dẫn Pandas Phần #1 - Giới thiệu về Phân tích dữ liệu với Python
- Hướng dẫn Pandas Phần #2 - Khái niệm cơ bản về Pandas Series
- Hướng dẫn Pandas Phần #3 - Nhận & Đặt giá trị Chuỗi
- Pandas Tutorial Part #4 - Thuộc tính & phương thức của Pandas Series
- Hướng dẫn về Pandas Phần #5 - Thêm hoặc xóa các thành phần của Pandas Series
- Hướng dẫn về Pandas Phần #6 - Giới thiệu về DataFrame
- Hướng dẫn về Pandas Phần #7 - DataFrame. loc[] - Chọn Hàng/Cột theo Lập chỉ mục
- Hướng dẫn về Pandas Phần #8 - DataFrame. iloc[] - Chọn Hàng/Cột theo Tên nhãn
- Hướng dẫn về gấu trúc Phần #9 - Lọc các hàng trong khung dữ liệu
- Hướng dẫn Pandas Phần #10 - Thêm/Xóa Hàng & Cột DataFrame
- Hướng dẫn về Pandas Phần #11 - Các thuộc tính & phương thức DataFrame
- Hướng dẫn Pandas Phần #12 - Xử lý dữ liệu bị thiếu hoặc giá trị NaN
- Hướng dẫn về Pandas Phần #13 - Lặp lại các Hàng & Cột của DataFrame
- Hướng dẫn Pandas Phần #14 - Sắp xếp DataFrame theo Hàng hoặc Cột
- Hướng dẫn về gấu trúc Phần #15 - Hợp nhất hoặc ghép các khung dữ liệu
- Hướng dẫn về Pandas Phần #16 - DataFrame GroupBy được giải thích bằng các ví dụ
Bạn đang muốn tạo dựng sự nghiệp trong Khoa học dữ liệu với Python?
Khoa học dữ liệu là tương lai và tương lai là ở đây ngay bây giờ. Các nhà khoa học dữ liệu hiện là những chuyên gia được tìm kiếm nhiều nhất hiện nay. Để trở thành một Nhà khoa học dữ liệu giỏi hoặc chuyển đổi nghề nghiệp trong Khoa học dữ liệu, người ta phải sở hữu bộ kỹ năng phù hợp. Chúng tôi đã tuyển chọn danh sách Chứng chỉ chuyên nghiệp tốt nhất về Khoa học dữ liệu với Python. Các khóa học này sẽ dạy cho bạn các công cụ lập trình cho Khoa học dữ liệu như Pandas, NumPy, Matplotlib, Seaborn và cách sử dụng các thư viện này để triển khai các mô hình Máy học
Kiểm tra Đánh giá chi tiết về Chứng chỉ chuyên nghiệp tốt nhất về Khoa học dữ liệu với PythonHãy nhớ rằng, Khoa học dữ liệu đòi hỏi rất nhiều kiên nhẫn, bền bỉ và thực hành. Vì vậy, hãy bắt đầu học ngay hôm nay