Kokonaislukutaulukon Indeksointi
Perusindeksoinnin lisäksi, jossa käytetään yksittäistä kokonaislukua indeksinä, NumPy mahdollistaa myös kokonaisen yksiulotteisen kokonaislukutaulukon (myös kokonaislukulista on mahdollinen) käytön indeksointiin.
Kokonaislukutaulukon indeksointi yksiulotteisissa taulukoissa
Jokainen indeksointiin käytetyn kokonaislukutaulukon alkio käsitellään indeksinä, joten esimerkiksi array[[0, 1, 3]] hakee alkiot indekseistä 0, 1 ja 3 yksiulotteisena taulukkona, olettaen että array on yksiulotteinen taulukko. Voit käyttää indeksointiin myös NumPy-taulukoita, mutta se tekee koodista monimutkaisempaa.
12345678import numpy as np array = np.array([23, 41, 7, 80, 3]) # Retrieving elements at indices 0, 1 and 3 print(array[[0, 1, 3]]) # Retrieving elements at indices 1, -1 and 2 in this order print(array[[1, -1, 2]]) # IndexError is thrown since index 5 is out of bounds print(array[[2, 5]])
Kokonaislukutaulukoiden indeksointi 1D-taulukoissa
Kaksidimensioisissa ja korkeamman ulottuvuuden taulukoissa kokonaislukutaulukoiden indeksointi toimii samalla tavalla kuin 1D-taulukoissa jokaisella akselilla. Jos käytetään vain yhtä kokonaislukutaulukkoa indeksointiin, indeksointi tapahtuu vain yhdellä akselilla (akseli 0). Jos käytetään kahta taulukkoa pilkulla erotettuna, indeksointi tapahtuu molemmilla akseleilla (akseli 0 ja akseli 1).
Indeksointi vain akselilla 0 kokonaislukutaulukolla palauttaa 2D-taulukon. Kun elementtejä haetaan tällaisella indeksoinnilla, ne ryhmitellään uuteen taulukkoon. Tämä uusi taulukko koostuu 1D-taulukoista, ja ryhmittely kasvattaa ulottuvuuden yhdellä, jolloin tuloksena on 2D-taulukko.
Indeksointi sekä akselilla 0 että akselilla 1 kahdella kokonaislukutaulukolla palauttaa 1D-taulukon.
Kaikilla akseleilla käytettävien kokonaislukutaulukoiden on oltava samanmuotoisia.
123456789101112131415import numpy as np array_2d = np.array([ [1, 2, 3], [4, 5, 6], [7, 8, 9] ]) # Retrieving first and the third row print(array_2d[[0, 2]]) # Retrieving the main diagonal elements print(array_2d[[0, 1, 2], [0, 1, 2]]) # Retrieving the first and third element of the second row print(array_2d[1, [0, 2]]) # IndexError is thrown, since index 3 along axis 0 is out of bounds print(array_2d[[0, 3], [0, 1]])
Kuten huomaat, voimme myös yhdistää perus kokonaislukujen indeksoinnin ja kokonaisluku-taulukkoindeksoinnin.
Jos vähintään yksi indekseistä on sallitun alueen ulkopuolella, heitetään IndexError.
Sovelluksista puhuttaessa tällainen indeksointi on hyödyllistä, kun täytyy valita tiettyjä alkioita, jotka eivät ole vierekkäin tai eivät noudata säännöllistä järjestystä. Toisin kuin viipalointi, joka toimii yhtenäisillä alueilla, tämä menetelmä mahdollistaa täsmälleen haluttujen alkioiden valinnan. Se on hyödyllistä, kun halutaan poimia hajanaista dataa tai järjestellä taulukon arvoja uudelleen.
1. Analysoit viiden tuotteen kuukausittaista myyntidataa (tuhansina). Mikä on koodin tuloste?
2. temperatures-taulukko esittää kolmen kaupungin viikon lämpötilat (°C) maanantaina, tiistaina ja keskiviikkona. Valitse oikea vaihtoehto hakeaksesi Berliinin lämpötilat maanantaina ja tiistaina sekä Madridin lämpötila tiistaina.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain how negative indices work with integer array indexing?
What happens if the arrays used for indexing have different lengths?
Can you give more examples of combining basic and integer array indexing?
Awesome!
Completion rate improved to 3.7Kokonaislukutaulukon Indeksointi
Pyyhkäise näyttääksesi valikon
Perusindeksoinnin lisäksi, jossa käytetään yksittäistä kokonaislukua indeksinä, NumPy mahdollistaa myös kokonaisen yksiulotteisen kokonaislukutaulukon (myös kokonaislukulista on mahdollinen) käytön indeksointiin.
Kokonaislukutaulukon indeksointi yksiulotteisissa taulukoissa
Jokainen indeksointiin käytetyn kokonaislukutaulukon alkio käsitellään indeksinä, joten esimerkiksi array[[0, 1, 3]] hakee alkiot indekseistä 0, 1 ja 3 yksiulotteisena taulukkona, olettaen että array on yksiulotteinen taulukko. Voit käyttää indeksointiin myös NumPy-taulukoita, mutta se tekee koodista monimutkaisempaa.
12345678import numpy as np array = np.array([23, 41, 7, 80, 3]) # Retrieving elements at indices 0, 1 and 3 print(array[[0, 1, 3]]) # Retrieving elements at indices 1, -1 and 2 in this order print(array[[1, -1, 2]]) # IndexError is thrown since index 5 is out of bounds print(array[[2, 5]])
Kokonaislukutaulukoiden indeksointi 1D-taulukoissa
Kaksidimensioisissa ja korkeamman ulottuvuuden taulukoissa kokonaislukutaulukoiden indeksointi toimii samalla tavalla kuin 1D-taulukoissa jokaisella akselilla. Jos käytetään vain yhtä kokonaislukutaulukkoa indeksointiin, indeksointi tapahtuu vain yhdellä akselilla (akseli 0). Jos käytetään kahta taulukkoa pilkulla erotettuna, indeksointi tapahtuu molemmilla akseleilla (akseli 0 ja akseli 1).
Indeksointi vain akselilla 0 kokonaislukutaulukolla palauttaa 2D-taulukon. Kun elementtejä haetaan tällaisella indeksoinnilla, ne ryhmitellään uuteen taulukkoon. Tämä uusi taulukko koostuu 1D-taulukoista, ja ryhmittely kasvattaa ulottuvuuden yhdellä, jolloin tuloksena on 2D-taulukko.
Indeksointi sekä akselilla 0 että akselilla 1 kahdella kokonaislukutaulukolla palauttaa 1D-taulukon.
Kaikilla akseleilla käytettävien kokonaislukutaulukoiden on oltava samanmuotoisia.
123456789101112131415import numpy as np array_2d = np.array([ [1, 2, 3], [4, 5, 6], [7, 8, 9] ]) # Retrieving first and the third row print(array_2d[[0, 2]]) # Retrieving the main diagonal elements print(array_2d[[0, 1, 2], [0, 1, 2]]) # Retrieving the first and third element of the second row print(array_2d[1, [0, 2]]) # IndexError is thrown, since index 3 along axis 0 is out of bounds print(array_2d[[0, 3], [0, 1]])
Kuten huomaat, voimme myös yhdistää perus kokonaislukujen indeksoinnin ja kokonaisluku-taulukkoindeksoinnin.
Jos vähintään yksi indekseistä on sallitun alueen ulkopuolella, heitetään IndexError.
Sovelluksista puhuttaessa tällainen indeksointi on hyödyllistä, kun täytyy valita tiettyjä alkioita, jotka eivät ole vierekkäin tai eivät noudata säännöllistä järjestystä. Toisin kuin viipalointi, joka toimii yhtenäisillä alueilla, tämä menetelmä mahdollistaa täsmälleen haluttujen alkioiden valinnan. Se on hyödyllistä, kun halutaan poimia hajanaista dataa tai järjestellä taulukon arvoja uudelleen.
1. Analysoit viiden tuotteen kuukausittaista myyntidataa (tuhansina). Mikä on koodin tuloste?
2. temperatures-taulukko esittää kolmen kaupungin viikon lämpötilat (°C) maanantaina, tiistaina ja keskiviikkona. Valitse oikea vaihtoehto hakeaksesi Berliinin lämpötilat maanantaina ja tiistaina sekä Madridin lämpötila tiistaina.
Kiitos palautteestasi!
