Hướng dẫn python print only part of array - python chỉ in một phần của mảng

Trong bài viết này, chúng tôi sẽ thảo luận về cách chọn một phần tử hoặc một mảng phụ từ một mảng numpy theo chỉ mục.

Hãy để tạo ra một mảng numpy bằng Numpy.Arange []

# Create a numpy ndArray
npArray = np.arange[1, 20, 2]

print[npArray]

Nội dung của mảng numpy như sau,

[ 1  3  5  7  9 11 13 15 17 19]

Bây giờ, hãy để thảo luận về cách chọn các yếu tố từ mảng numpy này theo chỉ mục.

Để chọn một phần tử từ mảng numpy, chúng ta có thể sử dụng toán tử [], tức là.

ndarray[index]

Nó sẽ trả về phần tử chỉ tại chỉ mục đã cho.

Hãy để sử dụng điều này để chọn một phần tử tại INDEX 2 từ mảng numpy mà chúng tôi đã tạo ở trên, tức là & nbsp; nparray,npArray,

# Select an element at index 2 [Index starts from 0]
elem = npArray[2]

print['Element at 2nd index  : ' , elem]

Đầu ra:

Element at 2nd index  :  5

Vì mảng phụ là một bản sao không chỉ là chế độ xem, do đó các thay đổi được thực hiện trong đó sẽ không được phản ánh trong mảng chính.

Ví dụ hoàn chỉnh như sau,

Làm cách nào để in một phần của một mảng?

ndArray[first:last]

Bạn có thể truy cập một phần tử mảng bằng cách sử dụng một biểu thức chứa tên của mảng theo sau là chỉ mục của phần tử cần thiết trong dấu ngoặc vuông. Để in nó chỉ cần chuyển phương thức này cho phương thức println [].first to last – 1.

Làm thế nào để bạn chọn một phần tử từ một mảng?

Một trong những nhiệm vụ phổ biến nhất mà chúng tôi phải làm trên các mảng, là chọn các giá trị. Chúng tôi làm điều này với việc cắt mảng. Chúng tôi thực hiện cắt mảng khi chúng tôi tuân theo tên biến mảng với [[dấu ngoặc vuông mở], theo sau là một cái gì đó để chỉ định các phần tử nào chúng tôi muốn, theo sau là] [đóng ngoặc vuông].npArray is as follows,

[ 1  3  5  7  9 11 13 15 17 19]

Bạn có thể chia một mảng trong Python không?

Python's numpy.divide [] tính toán sự phân chia phần tử của các phần tử mảng. Các phần tử trong mảng thứ nhất được chia cho các phần tử trong mảng thứ hai. Select a sub array with elements from index 1 to 6,

# Select elements from index 1 to 6
subArray = npArray[1:7]

Làm thế nào để bạn tìm thấy tập hợp con của một mảng trong Python?

print values[0]
print values[1]
print values[2]

Để có được Subarray, chúng ta có thể sử dụng cắt lát để lấy Subarray. Bước 1: Chạy vòng lặp cho đến chiều dài+1 của danh sách đã cho. Bước 2: Chạy một vòng lặp khác từ 0 đến i. Bước 3: Cắt lát Subarray từ J đến i. Select elements from beginning to index 3

print values[0]
print values[1]
print values[2]

Đầu ra:

print values[0]
print values[1]
print values[2]

Vì mảng phụ là một bản sao không chỉ là chế độ xem, do đó các thay đổi được thực hiện trong đó sẽ không được phản ánh trong mảng chính.Select elements from 2nd index to end

print values[0]
print values[1]
print values[2]

Đầu ra:

print values[0]
print values[1]
print values[2]

Vì mảng phụ là một bản sao không chỉ là chế độ xem, do đó các thay đổi được thực hiện trong đó sẽ không được phản ánh trong mảng chính.

Ví dụ hoàn chỉnh như sau,
Any modification in it will be reflected in original Numpy Array too.

Hãy để xác nhận điều này.

Tạo một mảng numpy,

print values[0]
print values[1]
print values[2]

Nó nội dung là

[ 1  3  5  7  9 11 13 15 17 19]

Chọn một mảng phụ từ nó,

print values[0]
print values[1]
print values[2]

Nội dung của mảng phụ là,

print values[0]
print values[1]
print values[2]

Sửa đổi nội dung của mảng phụ,

print values[0]
print values[1]
print values[2]

Mảng phụ chỉ là một chế độ xem của mảng gốc, tức là dữ liệu không được sao chép chỉ một chế độ xem của mảng phụ được tạo. & Nbsp; bất kỳ sửa đổi nào trong đó cũng sẽ được phản ánh trong mảng numpy gốc,

# Create a numpy ndArray
npArray = np.arange[1, 20, 2]

print[npArray]

Output:

# Create a numpy ndArray
npArray = np.arange[1, 20, 2]

print[npArray]

Chúng tôi chỉ sửa đổi mảng numpy phụ nhưng các thay đổi cũng được phản ánh trong mảng numpy ban đầu. Trong trường hợp phân tích dữ liệu trong khoa học dữ liệu, chúng tôi thường sử dụng mảng numpy với tập dữ liệu lớn, vì vậy để tránh bản sao không cần thiết, NDarray đã thêm tính năng của chế độ xem cũng được gọi là phát sóng.
In case of data analysis in data science we generally use Numpy Array with large data set, so to avoid unnecessary copy, ndarray added the feature of view only also called broadcasting.

Tạo một bản sao của mảng phụ của mảng numpy

Chúng tôi cũng có thể tạo một bản sao của mảng phụ bằng cách sử dụng,

# Create a numpy ndArray
npArray = np.arange[1, 20, 2]

print[npArray]

Nó sẽ trả lại bản sao của mảng phụ.

Hãy để xem một ví dụ,

# Create a numpy ndArray
npArray = np.arange[1, 20, 2]

print[npArray]

Đầu ra:

# Create a numpy ndArray
npArray = np.arange[1, 20, 2]

print[npArray]

Vì mảng phụ là một bản sao không chỉ là chế độ xem, do đó các thay đổi được thực hiện trong đó sẽ không được phản ánh trong mảng chính.

Ví dụ hoàn chỉnh như sau,

# Create a numpy ndArray
npArray = np.arange[1, 20, 2]

print[npArray]

Output:

# Create a numpy ndArray
npArray = np.arange[1, 20, 2]

print[npArray]