Phenquestions
A NumPy könyvtárnak számos funkciója van a többdimenziós tömb használatához. A reshape () függvény egyike azoknak, amelyek bármely létező tömb alakjának megváltoztatására szolgálnak az adatok megváltoztatása nélkül. Az alak meghatározza az egyes dimenziók összes elemének számát. A tömb dimenziója hozzáadható vagy eltávolítható, és az egyes dimenziókban lévő elemek száma módosítható a reshape () függvény használatával. Az egydimenziós tömb átalakítható többdimenziós tömbökké, de a többdimenziós tömb nem alakítható át egydimenziós tömbsé ezzel a függvénnyel. A () függvény átalakításának és használatának módját az oktatóanyag ismerteti.
Szintaxis
A reshape () függvény szintaxisa alább látható.
np_array numpy.átalakítás (np_array, new_shape, order = 'C')Ennek a függvénynek három argumentuma lehet. Az első és a második érv kötelező, a harmadik érvelés nem kötelező. A NumPy tömb az első argumentum értéke (np_array), amelyet át fogunk alakítani. A tömb alakja a második argumentum (új_alak) érték, amely lehet egész szám vagy egész szám. A tömb sorrendjét a harmadik argumentum (rendelés) értéket használjuk az elem átalakított tömb helyzetének meghatározására. A harmadik érv értéke:CvagyFvagyA.'A rendelés értéke'C'a C-stílusú indexrendeléseknél használatos, ahol az utolsó tengely index gyorsabban, az első tengely index pedig lassabban változik. A megrendelés értéke 'F'a Fortran-stílusú indexrendeléseknél használatos, ahol az első tengely index gyorsabban, az utolsó tengely index pedig lassabban változik. Mindkét 'C"és"F'a megrendelések nem használnak memóriát. A rendelés értéke, 'A"úgy működik"F,de memóriát használ.
Az reshape () függvény használata:
Az oktatóanyag példáinak gyakorlása előtt telepítenie kell a NumPy könyvtárat. A reshape () függvény különböző felhasználási módjai bemutatásra kerültek az oktatóanyag részben.
1. példa: Egydimenziós tömb átalakítása kétdimenziós tömbvé
A következő példa bemutatja az átalakítás () függvényt egydimenziós NumPy tömb kétdimenziós. Az arange () függvény a szkriptben 10 elemből álló egydimenziós tömb létrehozására szolgál. Az első átalakítás () függvény segítségével az egydimenziós tömböt 2 sorból és 5 oszlopból álló kétdimenziós tömbökké alakíthatjuk át. Itt a reshape () függvény meghívásra kerül a modul nevével, np. A második reshape () függvényt arra használjuk, hogy az egydimenziós tömböt 5 sorból és 2 oszlopból álló kétdimenziós tömbgé alakítsuk át. Itt a reshape () függvényt a NumPy nevű tömb segítségével hívják meg np_array.
# Importálja a NumPy-timportálja a numpy-t np-ként
# Hozzon létre egy NumPy tartományi értéktömböt
np_array = np.aranysárga (10)
# Nyomtassa ki a NumPy tömb értékeit
print ("A NumPy tömb értéke: \ n", np_array)
# Átalakítsa a tömböt 2 sorral és 5 oszloppal
new_array = np.átalakítás (np_array, (2, 5))
# Nyomtassa ki az átformált értékeket
print ("\ nAz átalakított tömb 2 sorral és 5 oszloppal: \ n", new_array)
# Tömb átalakítása 5 sorral és 2 oszloppal
new_array = np_array.átformálni (5, 2)
# Nyomtassa ki az átformált értékeket
print ("\ nAz átalakított tömb 5 sorral és 2 oszloppal: \ n", new_array)
Kimenet:
A fenti kimenet a fenti parancsfájl végrehajtása után jelenik meg. Az első kimenet a fő tömböt mutatja. A második és harmadik kimenet az átalakított tömböt mutatja.
2. példa: Egydimenziós tömb átalakítása háromdimenziós tömbvé
A következő példa bemutatja az átalakítás () függvényt egy egydimenziós NumPy tömb átalakítására háromdimenziós NumPy tömbre. Az array () függvény a szkriptben 12 elemből álló egydimenziós tömb létrehozására szolgál. A reshape () függvény segítségével a létrehozott egydimenziós tömböt háromdimenziós tömbökké konvertálhatjuk. Itt a reshape () függvényt a NumPy nevű tömb segítségével hívják meg np_array.
# Importálja a NumPy-timportálja a numpy-t np-ként
# Hozzon létre egy NumPy tömböt a lista használatával
np_array = np.tömb ([7, 3, 9, 11, 4, 23, 71, 2, 32, 6, 16, 2])
# Nyomtassa ki a NumPy tömb értékeit
print ("A NumPy tömb értéke: \ n", np_array)
# Hozzon létre háromdimenziós tömböt egydimenziós tömbből
new_array = np_array.átformálni (2, 2, 3)
# Nyomtassa ki az átformált értékeket
print ("\ nAz átalakított 3D tömb értékei: \ n", new_array)
Kimenet:
A fenti kimenet a fenti parancsfájl végrehajtása után jelenik meg. Az első kimenet a fő tömböt mutatja. A második kimenet az átalakított tömböt mutatja.
3. példa: A NumPy tömb átalakítása a sorrend alapján
A következő példa bemutatja az átalakítás () függvényt, amely egy egydimenziós NumPy tömböt kétdimenziós NumPy tömbgé alakít át, különböző típusú megrendelésekkel. Az arange () függvény a szkriptben 15 elemből álló egydimenziós tömb létrehozására szolgál. Az első átalakítás () függvénnyel három sorból és 5 oszlopból álló kétdimenziós tömb jön létre C stílusú sorrendben. A második átalakítás () függvénnyel három sorból és 5 oszlopból álló kétdimenziós tömb jön létre Fortran stílusú sorrendben.
# Importálja a NumPy-timportálja a numpy-t np-ként
# Hozzon létre egy NumPy tartományi értéktömböt
np_array = np.aranysárga (15)
# Nyomtassa ki a NumPy tömb értékeit
print ("A NumPy tömb értéke: \ n", np_array)
# Átalakítsa a tömböt a C stílusú sorrend alapján
new_array1 = np.alakítsa át (np_array, (3, 5), sorrend = 'C')
# Nyomtassa ki az átformált értékeket
print ("\ nA C-stílusú sorrend alapján átalakított 2D tömb értékek: \ n", new_array1)
# A Fortran stílusú sorrend alapján alakítsa át a tömböt
new_array2 = np.alakítsa át (np_array, (3, 5), sorrend = 'F')
# Nyomtassa ki az átformált értékeket
print ("\ nA Fortran stílusú sorrenden alapuló átalakított 2D tömbértékek a következők: \ n", new_array2)
Kimenet:
A fenti kimenet a fenti parancsfájl végrehajtása után jelenik meg. Az első kimenet az értékek fő tömbjét mutatja. A második kimenet sor alapú sorrendben mutatja a tömb értékeit. A harmadik kimenet oszlopalapú sorrendben mutatja a tömbértékeket.
Következtetés
A tömb átalakításának egyik alakzatból másik alakzatba alakításának módjait a reshape () függvény használatával ebben az oktatóanyagban ismertettük. A reshape () függvény használatának célja törlődik az oktatóanyag példáinak gyakorlása után, és az olvasók ezt a függvényt használhatják python szkriptjükben.
