Bài 11: Duyệt Mảng - Numpy Trong Python

• Học lập trình
• |
• Bài viết
• |
• Tin tức
• |
• Tuyển dụng
• |
• Liên hệ
• |

• Đăng ký
• |
• Đăng nhập

PHP

Laravel

Android

Java

HTML5

CSS3

NodeJS

VueJS

Swift

Python

Machine Learning

C/C++

Linux/Server

SQL

Javascript

Game

Phân tích thiết kế hệ thống

Servlet/JSP

AI

1. Trang chủ
2. AI
3. Numpy trong Python
4. Duyệt Mảng

• Bài 1: Giới thiệu và thiết lập môi trường
• Bài 2: Ndarray Object
• Bài 3: Kiểu dữ liệu
• Bài 4: Thuộc tính của Mảng
• Bài 5: Quy trình tạo mảng
• Bài 6: Mảng từ dữ liệu có sẵn
• Bài 7: Mảng từ dãy số
• Bài 8: Index & Slice
• Bài 9: Advanced Indexing
• Bài 10: Broadcast
• Bài 11: Duyệt Mảng
• Bài 12: Toán tử nhị phân
• Bài 13: Hàm String
• Bài 14: Hàm Toán Học
• Bài 15: Các phép tính toán học
• Bài 16: Hàm thống kê
• Bài 17: Sort, Search & Counting
• Bài 18: Chuyển đổi Byte
• Bài 19: Copy & View
• Bài 20: Ma trận
• Bài 21: Đại số tuyến tính
• Bài 22: Matplotlib
• Bài 23: Biểu đồ sử dụng Matplotlib
• Bài 24: I/O trong numpy

Bài 11: Duyệt Mảng - Numpy trong Python

Đăng bởi: Admin | Lượt xem: 5802 | Chuyên mục: AI NumPy package chứa vòng lặp numpy.nditer. Là vòng lặp đa chiều hiệu quả bằng cách sử dụng nó có thể lặp lại trên một mảng. Mỗi phần tử của một mảng được truy cập bằng giao diện Iterator tiêu chuẩn của Python.Ví dụ 1 :import numpy as np a = np.arange(0,60,5) a = a.reshape(3,4) print 'Original array is:' print a print '\n' print 'Modified array is:' for x in np.nditer(a): print x,Kết quả :Original array is: [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]] Modified array is: 0 5 10 15 20 25 30 35 40 45 50 55Ví dụ 2 :import numpy as np a = np.arange(0,60,5) a = a.reshape(3,4) print 'Original array is:' print a print '\n' print 'Transpose of the original array is:' b = a.T print b print '\n' print 'Modified array is:' for x in np.nditer(b): print x,Kết quả : Original array is: [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]] Transpose of the original array is: [[ 0 20 40] [ 5 25 45] [10 30 50] [15 35 55]] Modified array is: 0 5 10 15 20 25 30 35 40 45 50 55

1. Thứ tự lặp lại :

Nếu các phần tử giống nhau được lưu trữ bằng cách sử dụng thứ tự kiểu F, trình vòng lặp sẽ chọn cách hiệu quả hơn để lặp qua một mảng.Ví dụ 1 :import numpy as np a = np.arange(0,60,5) a = a.reshape(3,4) print 'Original array is:' print a print '\n' print 'Transpose of the original array is:' b = a.T print b print '\n' print 'Sorted in C-style order:' c = b.copy(order = 'C') print c for x in np.nditer(c): print x, print '\n' print 'Sorted in F-style order:' c = b.copy(order = 'F') print c for x in np.nditer(c): print x,Kết quả :Original array is: [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]] Transpose of the original array is: [[ 0 20 40] [ 5 25 45] [10 30 50] [15 35 55]] Sorted in C-style order: [[ 0 20 40] [ 5 25 45] [10 30 50] [15 35 55]] 0 20 40 5 25 45 10 30 50 15 35 55 Sorted in F-style order: [[ 0 20 40] [ 5 25 45] [10 30 50] [15 35 55]] 0 5 10 15 20 25 30 35 40 45 50 55Ví dụ 2 :Có thể buộc đối tượng nditer sử dụng một thứ tự cụ thể bằng cách đề cập rõ ràng đến nó.import numpy as np a = np.arange(0,60,5) a = a.reshape(3,4) print 'Original array is:' print a print '\n' print 'Sorted in C-style order:' for x in np.nditer(a, order = 'C'): print x, print '\n' print 'Sorted in F-style order:' for x in np.nditer(a, order = 'F'): print x,Kết quả :Original array is: [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]] Sorted in C-style order: 0 5 10 15 20 25 30 35 40 45 50 55 Sorted in F-style order: 0 20 40 5 25 45 10 30 50 15 35 55

2. Sửa đổi giá trị mảng

Đối tượng nditer có một tham số tùy chọn khác được gọi là op_flags. Giá trị mặc định của nó là chỉ đọc, nhưng có thể được đặt ở chế độ chỉ đọc-ghi hoặc chỉ ghi. Điều này sẽ cho phép sửa đổi các phần tử mảng bằng cách sử dụng trình lặp này.Ví dụ :import numpy as np a = np.arange(0,60,5) a = a.reshape(3,4) print 'Original array is:' print a print '\n' for x in np.nditer(a, op_flags = ['readwrite']): x[...] = 2*x print 'Modified array is:' print aKết quả :Original array is: [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]] Modified array is: [[ 0 10 20 30] [ 40 50 60 70] [ 80 90 100 110]]

3. Vòng lặp ngoài :

Phương thức khởi tạo lớp nditer có tham số ‘flags’, có thể nhận các giá trị sau:

1. c_index : index C_order có thể được theo dõi
2. f_index : index Fortran_order được theo dõi
3. multi-index : Có thể theo dõi loại index có một index cho mỗi lần lặp lại
4. external_loop : các giá trị được cung cấp là mảng một chiều có nhiều giá trị thay vì mảng không chiều

Ví dụ :import numpy as np a = np.arange(0,60,5) a = a.reshape(3,4) print 'Original array is:' print a print '\n' print 'Modified array is:' for x in np.nditer(a, flags = ['external_loop'], order = 'F'): print x,Kết quả :Original array is: [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]] Modified array is: [ 0 20 40] [ 5 25 45] [10 30 50] [15 35 55]

4. Con trỏ Broadcasting :

Nếu hai mảng có thể broadcast, một đối tượng nditer kết hợp có thể lặp lại chúng đồng thời. Giả sử rằng một mảng a có kích thước 3X4 và có một mảng b khác có kích thước 1X4, trình lặp kiểu sau sẽ được sử dụng (mảng b được broadcast với kích thước là a).Ví dụ :import numpy as np a = np.arange(0,60,5) a = a.reshape(3,4) print 'First array is:' print a print '\n' print 'Second array is:' b = np.array([1, 2, 3, 4], dtype = int) print b print '\n' print 'Modified array is:' for x,y in np.nditer([a,b]): print "%d:%d" % (x,y),Kết quả :First array is: [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]] Second array is: [1 2 3 4] Modified array is: 0:1 5:2 10:3 15:4 20:1 25:2 30:3 35:4 40:1 45:2 50:3 55:4 Bài tiếp theo: Toán tử nhị phân >>

Theo dõi VnCoder trên Facebook, để cập nhật những bài viết, tin tức và khoá học mới nhất!

Chia sẻ bài viết

• Bài 1: Giới thiệu và thiết lập môi trường
• Bài 2: Ndarray Object
• Bài 3: Kiểu dữ liệu
• Bài 4: Thuộc tính của Mảng
• Bài 5: Quy trình tạo mảng
• Bài 6: Mảng từ dữ liệu có sẵn
• Bài 7: Mảng từ dãy số
• Bài 8: Index & Slice
• Bài 9: Advanced Indexing
• Bài 10: Broadcast
• Bài 11: Duyệt Mảng
• Bài 12: Toán tử nhị phân
• Bài 13: Hàm String
• Bài 14: Hàm Toán Học
• Bài 15: Các phép tính toán học
• Bài 16: Hàm thống kê
• Bài 17: Sort, Search & Counting
• Bài 18: Chuyển đổi Byte
• Bài 19: Copy & View
• Bài 20: Ma trận
• Bài 21: Đại số tuyến tính
• Bài 22: Matplotlib
• Bài 23: Biểu đồ sử dụng Matplotlib
• Bài 24: I/O trong numpy