Python chọn các mục từ mảng

Trong bài viết này, chúng ta sẽ thảo luận về cách chọn ngẫu nhiên n phần tử từ danh sách trong Python. Trước khi chuyển sang các cách tiếp cận, hãy thảo luận về Mô-đun ngẫu nhiên mà chúng ta sẽ sử dụng trong các cách tiếp cận của mình.  

Một mô-đun ngẫu nhiên trả về các giá trị ngẫu nhiên. Nó rất hữu ích khi chúng ta muốn tạo các giá trị ngẫu nhiên. Một số phương thức của mô-đun Ngẫu nhiên là. - hạt giống[], getstate[], lựa chọn[], mẫu[], v.v.

Chọn ngẫu nhiên n phần tử từ danh sách bằng cách sử dụng randrange[]

Ở đây, chúng ta đang sử dụng hàm random randrange[] để trả về một số ngẫu nhiên từ danh sách

Python3

[8, 6, 6, 4]

5

[8, 6, 6, 4]

6

 

[8, 6, 6, 4]

7

[8, 6, 6, 4]

8

[8, 6, 6, 4]

9

[8, 6, 6, 4]

1

[8, 6, 6, 4]

0

[8, 6, 6, 4]

1

[8, 6, 6, 4]

0

[8, 6, 6, 4]

5

[8, 6, 6, 4]

0

8 2 4 6 

7

[8, 6, 6, 4]

0

8 2 4 6 

7

[8, 6, 6, 4]

0

[8, 6, 6, 4]

51

[8, 6, 6, 4]

6

Danh sách các điều kiện xác định mảng nào trong danh sách lựa chọn mà các phần tử đầu ra được lấy. Khi nhiều điều kiện được thỏa mãn, điều kiện đầu tiên gặp phải trong condlist được sử dụng

danh sách lựa chọn danh sách ndarray

Danh sách các mảng mà các phần tử đầu ra được lấy. Nó phải có cùng độ dài với condlist

mặc định vô hướng, tùy chọn

Phần tử được chèn vào đầu ra khi tất cả các điều kiện đánh giá là Sai

Trả về . đầu ra ndarray

Đầu ra tại vị trí m là phần tử thứ m của mảng trong danh sách lựa chọn trong đó phần tử thứ m của mảng tương ứng trong danh sách condlist là True

Trong bài viết này, chúng tôi sẽ thảo luận về cách chọn các phần tử hoặc chỉ mục từ một mảng Numpy dựa trên nhiều điều kiện

Tương tự như các phép toán số học khi chúng ta áp dụng bất kỳ toán tử so sánh nào cho Mảng Numpy thì nó sẽ được áp dụng cho từng phần tử trong mảng và một Mảng Numpy bool mới sẽ được tạo ra với giá trị True hoặc False.
Giả sử chúng ta có một Mảng Numpy i. e.

[8, 6, 6, 4]

1
Nội dung của nó là,

[8, 6, 6, 4]

2
Hãy chọn các phần tử từ nó.

Chọn các phần tử từ một mảng Numpy dựa trên một hoặc nhiều điều kiện

Hãy áp dụng toán tử < trên mảng numpy i đã tạo ở trên. e

[8, 6, 6, 4]

3
Toán tử so sánh sẽ được áp dụng cho từng phần tử trong mảng và số lượng phần tử trong Mảng Numpy bool được trả về sẽ giống với Mảng Numpy ban đầu. Nhưng nhưng đối với mọi phần tử thỏa mãn điều kiện sẽ có giá trị True trong mảng và Sai cho phần khác trong mảng được trả về.
nội dung của boolArr là,

[8, 6, 6, 4]

4
Nếu chúng ta chuyển Mảng Numpy bool này cho toán tử chỉ số [] của mảng ban đầu thì nó . e.

[8, 6, 6, 4]

5
Chúng ta có thể làm tất cả điều đó trong một dòng bằng cách chuyển hoàn toàn biểu thức so sánh trong toán tử [] i. e.
______16
Giống như trên, nó sẽ trả về một Mảng Numpy mới với các phần tử < 10 từ Mảng Numpy ban đầu i. e.
______17
Hãy xem một số ví dụ khác,

Chọn các phần tử từ Mảng Numpy chia hết cho 3

Nội dung của mảng Numpy Array,

[8, 6, 6, 4]

2
Bây giờ, hãy chọn các phần tử từ mảng Numpy chia hết cho 3 i. e.
______19
Nội dung của mảng Numpy newArr là,

[8, 6, 6, 4]

0

Chọn các phần tử từ Mảng Numpy lớn hơn 5 và nhỏ hơn 20

Ở đây chúng ta cần kiểm tra hai điều kiện i. e. phần tử > 5 và phần tử < 20. Nhưng từ khóa python và , hoặc không hoạt động với mảng Numpy bool. Thay vì nó, chúng ta nên sử dụng & ,. nhà khai thác tôi. e

[8, 6, 6, 4]

20
arr > 5 trả về một mảng bool gọn gàng và arr < 20 trả về một mảng bool gọn gàng khác. Bây giờ áp dụng toán tử & trên cả Mảng Numpy bool sẽ tạo ra một mảng bool mới newArr.

quảng cáo

Nội dung của mảng Numpy newArr là,

[8, 6, 6, 4]

21
Ví dụ đầy đủ như sau,

[8, 6, 6, 4]

22
Đầu ra

[8, 6, 6, 4]

23
 

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 để 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 Python

Hãy 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