Nối np trong python

Trong phần này, tôi xin giới thiệu cách chuyển một mảng nhiều chiều về mảng chỉ có một chiều mà tôi gọi đó là mảng làm phẳng (làm phẳng) hoặc mảng có hình dạng mong muốn khác. Thư viện numpy cung cấp ta hai phương thức giúp ta làm việc này một cách dễ dàng. flatten() và ravel()

Flatten method() sử dụng một tham số từ khóa tùy chọn "order". Ý nghĩa của “order” được miêu tả dưới đây. default value is "C"

Ý nghĩa “order” cho cả flatten() và ravel(). với mảng a[i1][i2][i3]…[in]
'C'. Routine C-like , with only the end number of the end (in) thay đổi nhanh nhất, quay trở lại chỉ số trục đầu tiên thay đổi chậm nhất (i1). "C" is default

'F'. order of Fortran-like, with only first number (i1) thay đổi nhanh nhất, và chỉ số cuối cùng thay đổi chậm nhất (in)

'MỘT'. sắp xếp trật tự sẽ giống như Fortran nếu mảng "a" là “Fortran liền kề” trong bộ nhớ, sắp xếp trật tự sẽ giống như c nếu ngược lại

'K'. read các phần tử theo thứ tự xuất hiện trong bộ nhớ, ngoại trừ việc đảo ngược dữ liệu khi các số chỉ là âm thanh

Ví dụ

import numpy as np
np.random.seed(1234)
A = np.random.randint(100,size=(3,4,2))
print "A = ", A
Flattened_X = A.flatten()
print "Flattened_X = ", Flattened_X
print "A.flatten(order='C') = ", A.flatten(order="C")
print "A.flatten(order='F') = ", A.flatten(order="F")
print "A.flatten(order='A') = ", A.flatten(order="A")



Output:



A =  [[[47 83]

  [38 53]

  [76 24]

  [15 49]]



 [[23 26]

  [30 43]

  [30 26]

  [58 92]]



 [[69 80]

  [73 47]

  [50 76]

  [37 34]]]

Flattened_X =  [47 83 38 53 76 24 15 49 23 26 30 43 30 26 58 92 69 80 73 47 50 76 37 34]

A.flatten(order='C') =  [47 83 38 53 76 24 15 49 23 26 30 43 30 26 58 92 69 80 73 47 50 76 37 34]

A.flatten(order='F') =  [47 23 69 38 30 73 76 30 50 15 58 37 83 26 80 53 43 47 24 26 76 49 92 34]

A.flatten(order='A') =  [47 83 38 53 76 24 15 49 23 26 30 43 30 26 58 92 69 80 73 47 50 76 37 34]

Use ravel(), thứ tự của các phần tử trong mảng trả về bởi ravel() thường là kiểu "C-style"

cú pháp. ravel (a, thứ tự = 'C')

Ravel return an a array. Bản sao chỉ được thực hiện khi cần thiết

Từ khóa thông số tùy chọn "đặt hàng"  có thể là 'C', 'F', 'A' hoặc 'K'
Ví dụ

import numpy as np
np.random.seed(1234)
A = np.random.randint(100,size=(3,4,2))
print "A = ", A
RavelX = A.ravel()
print "RavelX = ", RavelX
print "A.ravel(order='C') = ", A.ravel(order="C")
print "A.ravel(order='F') = ", A.ravel(order="F")
print "A.ravel(order='A') = ", A.ravel(order="A")



Output:



A =  [[[47 83]

  [38 53]

  [76 24]

  [15 49]]



 [[23 26]

  [30 43]

  [30 26]

  [58 92]]



 [[69 80]

  [73 47]

  [50 76]

  [37 34]]]

RavelX =  [47 83 38 53 76 24 15 49 23 26 30 43 30 26 58 92 69 80 73 47 50 76 37 34]

A.ravel(order='C') =  [47 83 38 53 76 24 15 49 23 26 30 43 30 26 58 92 69 80 73 47 50 76 37 34]

A.ravel(order='F') =  [47 23 69 38 30 73 76 30 50 15 58 37 83 26 80 53 43 47 24 26 76 49 92 34]

A.ravel(order='A') =  [47 83 38 53 76 24 15 49 23 26 30 43 30 26 58 92 69 80 73 47 50 76 37 34]

Qua 2 ví dụ trên có thể thấy cả hai phương thức ravel() hay flatten() đều trả về danh sách kết quả như nhau. Vì sao cần sinh ra 2 phương thức để thực hiện cùng một công việc ?

>>> import numpy as np

# Khoi tao 2 mang A, B voi cung seed -> Ta se nhan duoc 2 mang giong nhau

>>> np.random.seed(10)

>>> A=np.random.randint(20,size=(2,3))

>>> np.random.seed(10)

>>> B=np.random.randint(20,size=(2,3))

>>> A

array([[ 9,  4, 15],

       [ 0, 17, 16]])

>>> B

array([[ 9,  4, 15],

       [ 0, 17, 16]])

# Lam phang 2 mang A,B voi phuong thuc flatten() va Ravel()

>>> FlattenA = A.flatten()

>>> RavelB = B.ravel()

>>> FlattenA

array([ 9,  4, 15,  0, 17, 16])

>>> RavelB

array([ 9,  4, 15,  0, 17, 16])

# Thay đổi mảng được trả về bởi 2 phương thức

>>> FlattenA[0] = 1

>>> RavelB[0]= 1

# Thay đổi mảng được trả về bởi flatten() -> mảng gốc không thay đổi

>>> A

array([[ 9,  4, 15],

       [ 0, 17, 16]])

# Thay đổi mảng được trả về bởi ravel() -> mảng gốc thay đổi theo

>>> B

array([[ 1,  4, 15],

       [ 0, 17, 16]])

>>>

Như vậy flatten() luôn trả về một bản sao của mảng gốc trong khi ravel() được trả về một dạng xem của mảng gốc. Dẫn đến kết quả là nếu ta thay đổi giá trị mảng được trả về bởi ravel() thì mảng gốc cũng sẽ thay đổi theo. Bù lại thì ravel sẽ thường xử lý nhanh hơn do không cần bộ nhớ để thực hiện sao chép. Nhưng các bạn cần cẩn thận với công việc chỉnh sửa mảng được trả về bởi ravel()

định hình lại

Làm tròn một mảng chỉ là một cách để thay đổi chiều của mảng. Một mảng có thể thay đổi thành bất kỳ chiều nào miễn phí là không thay đổi số lượng phần tử trong mảng. This job could be done through function reshape(). Phương thức reshape() đã được chúng tôi nhắc đến trong “bài 24. lập chỉ mục cắt lát numpy”. Trong phần này tôi sẽ nêu chi tiết hơn về ý nghĩa cũng như cú pháp của nó

Reshape() trả về mảng mới có hình dạng mới mà không thay đổi dữ liệu của nó

Cú pháp is reshape(a, newshape, order = 'C'), meaning of number. a is array to reshape, newshape is an tuple will nêu rõ kích thước các chiều muốn chuyển về, “order” will got a in the values ​​after 'C', 'F', 'A' with the same meaning in flatten(

Quan sát ví dụ sau để xác định rõ hơn cách sử dụng định hình lại ()

import numpy as np
X = np.array(range(50))
print "X = ", X
print "changing to (10,5)"
Y = X.reshape((10,5))
print "Y = ", Y
print "changing to (2,5,5)"
Y = X.reshape((2,5,5))
print "Y = ",Y



Output:



X =  [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49]

changing to (10,5)

Y =  [[ 0  1  2  3  4]

 [ 5  6  7  8  9]

 [10 11 12 13 14]

 [15 16 17 18 19]

 [20 21 22 23 24]

 [25 26 27 28 29]

 [30 31 32 33 34]

 [35 36 37 38 39]

 [40 41 42 43 44]

 [45 46 47 48 49]]

changing to (2,5,5)

Y =  [[[ 0  1  2  3  4]

  [ 5  6  7  8  9]

  [10 11 12 13 14]

  [15 16 17 18 19]

  [20 21 22 23 24]]



 [[25 26 27 28 29]

  [30 31 32 33 34]

  [35 36 37 38 39]

  [40 41 42 43 44]

  [45 46 47 48 49]]]

Ghép các mảng (Concatenating Arrays)

Trong quá trình xử lý dữ liệu, rất nhiều bài toán yêu cầu cần ghép nối nhiều mảng với nhau để mở rộng hàng hay cột thì khĩ thuật “Mảng nối” cho thấy rất hiệu quả

cú pháp. cục mịch. nối ((a1,a2,…), trục=0)

in which. (a1,a2,…) is list Array cần ghép

Trong ví dụ sau, chúng ta nối ba mảng chiều vào một mảng qua phương thức concatenate()

import numpy as np
x = np.array([110,202])
y = np.array([108,70,6])
z = np.array([10,3,5])
c = np.concatenate((x,y,z))
print "x = ",x
print "y = ", y
print "c = ", c


Output:


x =  [110 202]

y =  [108  70   6]

c =  [110 202 108  70   6  10   3   5]

Khi ghép các mảng đa chiều, chúng ta có thể ghép các mảng theo hệ thống. Điều kiện là mảng phải có cùng một kích thước tương ứng với phần tử muốn ghép khi sử dụng concatenate(). default value is axis = 0. Dưới đây là ví dụ cho cả hai trường hợp axis=0 và axis=1, các bạn chú ý kết quả để có thể hiểu được cách ghép

import numpy as np
np.random.seed(1234)
x =np.random.randint(100,size=(2,2,3))
y =np.random.randint(100,size=(2,2,3))
print "x = ",x
print "y = ",y
z = np.concatenate((x,y))
print "np.concatenate((x,y)) = ",z
print "change axis=1"
z = np.concatenate((x,y),axis = 1)
print "np.concatenate((x,y),axis = 1) = ",z


Output:

x =  [[[47 83 38]

  [53 76 24]]



 [[15 49 23]

  [26 30 43]]]

y =  [[[30 26 58]

  [92 69 80]]



 [[73 47 50]

  [76 37 34]]]

np.concatenate((x,y)) =  [[[47 83 38]

  [53 76 24]]



 [[15 49 23]

  [26 30 43]]



 [[30 26 58]

  [92 69 80]]



 [[73 47 50]

  [76 37 34]]]

change axis=1

np.concatenate((x,y),axis = 1) =  [[[47 83 38]

  [53 76 24]

  [30 26 58]

  [92 69 80]]



 [[15 49 23]

  [26 30 43]

  [73 47 50]

  [76 37 34]]]

Thêm thứ nguyên mới

Các tham số mới có thể được thêm vào mảng bằng cách sử dụng kết hợp cắt và np. trục mới. Chúng tôi minh họa kỹ thuật này bằng một ví dụ

import numpy as np
np.random.seed(1234)
x = np.random.randint(100,size=10)
print "x = ",x
print "x[:,np.newaxis] = " , x[:,np.newaxis]
print "x[len(x)/2:,np.newaxis] = ", x[len(x)/2:,np.newaxis]

Output:

x =  [47 83 38 53 76 24 15 49 23 26]

x[:,np.newaxis] =  [[47]

 [83]

 [38]

 [53]

 [76]

 [24]

 [15]

 [49]

 [23]

 [26]]

x[len(x)/2:,np.newaxis] =  [[24]

 [15]

 [49]

 [23]

 [26]]

Sắp xếp các mảng

Ta có thể xếp chồng các mảng theo hàng hoặc theo cột qua hai phương thức sau: row_stack() và column_stack(). Bạn có thể xếp chồng nhiều vectors tùy ý bạn, trong ví dụ dưới đây tôi lấy ví dụ cho 2 mảng. Chú ý kích thước chiều xếp chồng của các mảng phải giống nhau.

import numpy as np
x = np.array(range(4))
np.random.seed(1234)
y = np.random.randint(100,size=4)
print "x = ", x
print "y = ", y
print "np.row_stack((x,y)) = ", np.row_stack((x,y))
print "np.column_stack((x,y)) = ", np.column_stack((x,y))
y = np.random.randint(100,size=(4,3))
print "y = ", y
print "np.column_stack((x,y)) = ", np.column_stack((x,y))



Output:



x =  [0 1 2 3]

y =  [47 83 38 53]

np.row_stack((x,y)) =  [[ 0  1  2  3]

 [47 83 38 53]]

np.column_stack((x,y)) =  [[ 0 47]

 [ 1 83]

 [ 2 38]

 [ 3 53]]

y =  [[76 24 15]

 [49 23 26]

 [30 43 30]

 [26 58 92]]

np.column_stack((x,y)) =  [[ 0 76 24 15]

 [ 1 49 23 26]

 [ 2 30 43 30]

 [ 3 26 58 92]]

Phương thức tile()

Đôi khi, bạn muốn hoặc phải tạo một màn hình mới bằng cách lặp lại một màn hình hiện có nhiều lần để tạo một màn hình mới với một định dạng khác hoặc thậm chí là kích thước. Ví dụ thiết lập lại ma trận được bôi đỏ để tạo thành ma trận như mảng dưới đây. Theo hàng 4 lần, cột lập 5 lần

1

2

1

2

1

2

1

2

1

2

3

4

3

4

3

4

3

4

3

4

1

2

1

2

1

2

1

2

1

2

3

4

3

4

3

4

3

4

3

4

1

2

1

2

1

2

1

2

1

2

3

4

3

4

3

4

3

4

3

4

1

2

1

2

1

2

1

2

1

2

3

4

3

4

3

4

3

4

3

4

Cú pháp tile(x,reps), trong đó x là mảng cần thiết lập, và reps là một bộ chỉ định hàng và cột cần thiết lập bao nhiêu lần. Ví dụ

import numpy as np
x =np.array([[1,2],[3,4]])
print "x = ", x
np.tile(x,(4,5))
print "np.tile(x,(4,5)) = ", np.tile(x,(4,5))


Output:


x =  [[1 2]

 [3 4]]

np.tile(x,(4,5)) =  [[1 2 1 2 1 2 1 2 1 2]

 [3 4 3 4 3 4 3 4 3 4]

 [1 2 1 2 1 2 1 2 1 2]

 [3 4 3 4 3 4 3 4 3 4]

 [1 2 1 2 1 2 1 2 1 2]

 [3 4 3 4 3 4 3 4 3 4]

 [1 2 1 2 1 2 1 2 1 2]

 [3 4 3 4 3 4 3 4 3 4]]

Kết luận

Qua bài này chúng tôi đã giới thiệu với các bạn thêm nhiều thao tác mới trên mảng, qua đó ảnh hưởng trực tiếp đến chiều của mảng. Sử dụng các phương thức flatten() hoặc ravel() khi bạn muốn chuyển đổi nhiều chiều về mảng chỉ có một chiều (hoặc làm cong mảng). Chú ý là làm phẳng() trả về một bản sao của mảng gốc trong khi ravel() được trả về một góc nhìn của mảng gốc. Reshape() đưa đến nhiều tùy chọn hơn là cho phép bạn tạo ra một mảng mới có hình dạng mới mà không thay đổi dữ liệu của nó. Ghép các mảng với phương thức concatenate(). Tăng chiều cho mảng đang tồn tại với numpy. trục mới. Sắp xếp các mảng theo hàng với row_stack() và theo cột với column_stack() hoặc tạo một ma trận mới bằng cách lặp lại ma trận hiện có nhiều lần với gạch()

Trong bài tiếp theo chúng tôi sẽ trình bày chi tiết hơn về các đối tượng kiểu dữ liệu 'dtype' – các đối tượng này đã được sử dụng nhiều trong các bài học vừa qua