Thủ Thuật về Hướng dẫn dùng concantenate python 2022
Bùi Đức Thìn đang tìm kiếm từ khóa Hướng dẫn dùng concantenate python được Cập Nhật vào lúc : 2022-09-24 14:55:27 . Với phương châm chia sẻ Thủ Thuật Hướng dẫn trong nội dung bài viết một cách Chi Tiết 2022. Nếu sau khi đọc tài liệu vẫn ko hiểu thì hoàn toàn có thể lại Comment ở cuối bài để Tác giả lý giải và hướng dẫn lại nha.Hàm concatenate () là một hàm từ gói NumPy. Về cơ bản, hàm này phối hợp những mảng NumPy với nhau. Hàm này về cơ bản được sử dụng để nối hai hoặc nhiều mảng có cùng hình dạng dọc theo một trục được chỉ định. Có những điều thiết yếu sau đây cần ghi nhớ:
NumPy’s concatenate () không in như một phép nối cơ sở tài liệu truyền thống. Nó in như việc xếp chồng những mảng NumPy.
Các đọc thêm:
Chức năng này hoàn toàn có thể hoạt động và sinh hoạt giải trí theo cả chiều dọc và chiều ngang. Điều này nghĩa là tất cả chúng ta hoàn toàn có thể nối những mảng với nhau theo chiều ngang hoặc chiều dọc.
Hàm concatenate () thường được viết dưới dạng np.concatenate (), nhưng tất cả chúng ta cũng hoàn toàn có thể viết nó dưới dạng numpy.concatenate (). Nó phụ thuộc vào cách nhập gói numpy, nhập numpy dưới dạng np hoặc nhập numpy, tương ứng.
Cú pháp
numpy.concatenate ((a1, a2, ...), axis)Parameter
(a1, a2, …)Tham số này xác định trình tự của mảng. Ở đây, a1, a2, a3 … là những mảng có hình dạng giống nhau, ngoại trừ chiều tương ứng với trục.
axis: int (tùy chọn)Tham số này xác định trục mà mảng sẽ được nối với nhau. Theo mặc định, giá trị của nó là 0.
Nó sẽ trả về một ndarray chứa những phần tử của tất cả hai mảng.
Xem thêm Duyệt mảng trong NumPy
Ví dụ 1: numpy.concatenate ()
import numpy as np x=np.array([[1,2],[3,4]]) y=np.array([[12,30]]) z=np.concatenate((x,y)) zTrong đoạn code trên
- Chúng tôi đã tạo một mảng ‘x’ bằng phương pháp sử dụng hàm np.array ().Sau đó, tất cả chúng ta đã tạo một mảng khác ‘y’ bằng phương pháp sử dụng cùng một hàm np.array ().Chúng tôi đã khai báo biến ‘z’ và gán giá trị trả về của hàm np.concatenate ().Chúng ta đã chuyển mảng ‘x’ và ‘y’ trong hàm.Cuối cùng, chúng tôi đã in giá trị của ‘z’.
Trong đầu ra, giá trị của tất cả hai mảng, tức là ‘x’ và ‘y’ được hiển thị theo trục = 0.
Đầu ra:
Ví dụ 2: numpy.concatenate () với axis = 0
import numpy as np x=np.array([[1,2],[3,4]]) y=np.array([[12,30]]) z=np.concatenate((x,y), axis=0) zOutput:
Ví dụ 3: numpy.concatenate () với axis = 1
import numpy as np x=np.array([[1,2],[3,4]]) y=np.array([[12,30]]) z=np.concatenate((x,y.T), axis=1) zOutput:
Trong ví dụ trên, ‘.T’ được sử dụng để thay đổi những hàng thành cột và cột thành hàng.
Xem thêm Sử dụng Linear Algebra trong Numpy
Ví dụ 4: numpy.concatenate () với axis = None
import numpy as np x=np.array([[1,2],[3,4]]) y=np.array([[12,30]]) z=np.concatenate((x,y), axis=None) zOutput:
Trong những ví dụ trên, tất cả chúng ta đã sử dụng hàm np.concatenate (). Chức năng này sẽ không được bảo toàn che những đầu vào MaskedArray. Có một cách sau đây mà qua đó tất cả chúng ta hoàn toàn có thể nối những mảng hoàn toàn có thể duy trì việc che những đầu vào MaskedArray.
Ví dụ 5: np.ma.concatenate ()
import numpy as np x=np.ma.arange(3) y=np.arange(3,6) x[1]=np.ma.masked x y z1=np.concatenate([x,y]) z2=np.ma.concatenate([x,y]) z1 z2Trong đoạn code trên
- Chúng tôi đã tạo một mảng ‘x’ bằng phương pháp sử dụng hàm np.ma.arrange ().Sau đó, tất cả chúng ta đã tạo một mảng ‘y’ khác bằng phương pháp sử dụng cùng một hàm np.ma.arrange ().Chúng tôi đã khai báo
biến ‘z1’ và gán giá trị trả về của hàm np.concatenate ().Chúng tôi đã khai báo biến ‘z2’ và gán giá trị trả về của hàm np.ma.concatenate ().Cuối cùng, chúng tôi đã nỗ lực in giá trị của ‘z1’ và ‘z2’.
Xem thêm Function trong R, những hàm trong R
Flattening
Trong phần này tôi xin ra mắt cách chuyển một mảng nhiều chiều về mảng chỉ có môt chiều mà tôi gọi đó là làm phẳng (flatten) mảng hoặc mảng có shape mong ước khác. Thư viện numpy đáp ứng ta hai phương thức giúp ta thao tác này thuận tiện và đơn giản: flatten() và ravel().
Phưng thức flatten() sử dụng một tham số từ khoá tùy chọn "order". Ý nghĩa của “order” được miêu tả dưới đây. Giá trị mặc định là "C".
Ý nghĩa “order” cho tất cả flatten() và ravel(): với mảng a[i1][i2][i3]…[in]
'C': trật tự C-like , với chỉ số trục ở đầu cuối (in) thay đổi nhanh nhất có thể, quay trở lại chỉ số
trục đầu tiên thay đổi chậm nhất (i1). "C" là mặc định!
'F': trật tự Fortran-like, với chỉ số đầu tiên (i1) thay đổi nhanh nhất có thể, và chỉ số ở đầu cuối thay đổi chậm nhất (in).
'A': trật tự sẽ là Fortran-like nếu mảng "a" là “Fortran contiguous” trong bộ nhớ, tương tự trật tự sẽ là c-like nếu ngược lại.
'K': đọc những phần tử theo thứ tự chúng xuất hiện trong bộ nhớ, ngoại trừ việc đảo chiều tài liệu khi chỉ số là âm.
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]Sử dụng ravel(), thứ tự của những phần tử trong mảng trả về bởi ravel () thường là kiểu "C-style".
Cú pháp: ravel (a, order="C")
Ravel trả về một mảng một chiều. Bản sao được thực hiện chỉ khi thiết yếu.
Thông số từ khóa tùy chọn "order" hoàn toàn có thể là 'C', 'F', 'A', hoặc 'K'
Ví dụ:
Qua 2 ví dụ trên hoàn toàn có thể thấy cả hai phương thức ravel() hay flatten() đều trả về list kết quả như nhau. Vậy tại sao cần sinh ra 2 phương thức để thực hiện cùng một việc làm ? Hãy cùng theo dõi ví dụ phía dưới:
>>> 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 copy của mảng gốc trong khi ravel() là trả về một view của mảng gốc. Dẫn đến kết quả là nếu ta thay đổi giá trị mảng được trả về bởi ravel() thì mảng gốc cũng tiếp tục thay đổi theo. Bù lại thì ravel sẽ thường xử lý nhanh hơn bởi không cần memory để thực hiện copy. Nhưng những bạn cần thận trọng với việc sửa đổi mảng được trả về bởi ravel().
Reshape
Làm phẳng một mảng chỉ là một phương pháp để thay đổi chiều của mảng. Một mảng hoàn toàn có thể thay đổi thành bất kỳ chiều nào miễn là không thay đổi số lượng phần tử trong mảng. Việc này hoàn toàn có thể thực hiện qua hàm reshape(). Phương thức reshape() đã được chúng tôi nhắc tới trong “bài 24: numpy slicing indexing”. Trong phần này tôi sẽ nêu rõ ràng hơn về ý nghĩa cũng như cú pháp của nó.
Reshape() trả về mảng mới có shape mới mà không thay đổi tài liệu của nó.
Cú pháp là reshape(a, newshape, order="C"), ý nghĩa của thông số: a là mảng cần reshape, newshape là một tuple sẽ nêu rõ kích thước những chiều muốn chuyển về, “order” sẽ nhận một trong những giá trị sau 'C', 'F', 'A' với ý nghĩa giống trong flatten() hay ravel().
Quan sát ví dụ sau để rõ hơn cách sử dụng reshape().
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 những mảng (Concatenating Arrays)
Trong quá trình xử lý tài liệu, rất nhiều bài toán đòi hỏi cần ghép nối nhiều mảng với nhau để mở rộng hàng hay cột thì khĩ thuật “Concatenating Arrays” tỏ ra rất hiệu suất cao.
Cú pháp: numpy.concatenate((a1,a2,…), axis=0)
Trong số đó: (a1,a2,…) là list những mảng cần ghép.
Trong ví dụ sau, tất cả chúng ta nối ba mảng một 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 những mảng đa chiều, tất cả chúng ta hoàn toàn có thể ghép những mảng theo trục. Điều kiện là mảng phải có cùng một size tương ứng với trục muốn ghép khi sử dụng concatenate(). Giá trị mặc định là axis = 0: Dưới đây là ví dụ cho tất cả hai trường hợp axis=0 và axis = 1, những bạn để ý quan tâm kết quả để hoàn toàn 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]]]Adding New Dimensions
Các tham số mới hoàn toàn có thể được thêm vào mảng bằng phương pháp sử dụng phối hợp slicing và np.newaxis. 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]]Xếp chồng những mảng:
Ta hoàn toàn có thể xếp chồng những mảng theo hàng hoặc theo cột qua hai phương thức sau: row_stack() và column_stack(). Bạn hoàn toàn 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 những 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 ma trận mới bằng phương pháp lặp lại một ma trận hiện có nhiều lần để tạo một ma trận mới với một hình dạng khác hoặc thậm chí là kích thước. Ví dụ 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 lập, và reps là một tuple chỉ rõ hàng và cột cần 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 ra mắt với những bạn thêm nhiều thao tác mới trên mảng, mà qua đó ảnh hưởng trực tiếp đến chiều của mảng. Sử dụng những phương thức flatten() hoặc ravel() khi bạn muốn chuyển mảng nhiều chiều về mảng chỉ có một chiều (hay làm phẳng mảng). Chú ý là flatten() trả về một copy của mảng gốc trong khi ravel() là trả về một view của mảng gốc. Reshape() đem đến nhiều tùy chọn hơn được cho phép bạn tạo ra mảng mới có shape mới mà không thay đổi tài liệu của nó. Ghép những mảng với phương thức concatenate(). Tăng chiều cho mảng đang tồn tại với numpy.newaxis. Xếp chồng những mảng theo hàng với row_stack() và theo cột với column_stack() hay tạo một ma trận mới bằng phương pháp lặp lại ma trận hiện có nhiều lần với tile().
Trong bài tiếp theo chúng tôi sẽ trình bày rõ ràng hơn về đối tượng kiểu tài liệu ‘dtype’ – đối tượng này đã được sử dụng nhiều trong những bài học kinh nghiệm tay nghề vừa qua.
Tải thêm tài liệu liên quan đến nội dung bài viết Hướng dẫn dùng concantenate python programming python Concat trong Python np.dot trong python Dtype trong Python