Apprenez les techniques de découpage numpy pour simplifier le traitement de données volumineuses

Maîtrisez la méthode d'opération de découpage Numpy et traitez facilement des données à grande échelle. Des exemples de code spécifiques sont nécessaires.

Résumé :
Lors du traitement de données à grande échelle, il est très important d'utiliser des outils appropriés. Numpy est une bibliothèque couramment utilisée en Python qui fournit des outils de calcul numérique hautes performances. Cet article présentera la méthode d'opération de découpage de Numpy et utilisera des exemples de code pour démontrer comment utiliser et extraire facilement des données lors du traitement de données à grande échelle.

1. Introduction
   Numpy est une bibliothèque de calcul numérique couramment utilisée en Python, fournissant des outils de traitement de données efficaces. L'opération de découpage est une fonction très puissante de Numpy, qui peut être utilisée pour accéder et exploiter rapidement les éléments d'un tableau. L'opération de découpage peut effectuer des opérations flexibles sur des tableaux unidimensionnels, bidimensionnels et multidimensionnels, économisant ainsi le processus d'écriture de boucles et améliorant la vitesse de fonctionnement.
2. Découpage de tableau unidimensionnel
   Tout d'abord, examinons la méthode d'opération de découpage d'un tableau unidimensionnel. Supposons que nous ayons un tableau unidimensionnel a contenant 10 éléments :

import numpy as np

a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

Nous pouvons utiliser deux points : pour spécifier la plage de la tranche. L'exemple de code est le suivant :

# 切片操作
b = a[2:6]  # 从下标2到下标5的元素
print(b)  # 输出：[2 3 4 5]

c = a[:4]  # 从开头到下标3的元素
print(c)  # 输出：[0 1 2 3]

d = a[6:]  # 从下标6到末尾的元素
print(d)  # 输出：[6 7 8 9]

e = a[::3]  # 每隔2个元素取一个
print(e)  # 输出：[0 3 6 9]

3. Découpage de tableau bidimensionnel
   Ensuite, regardons la méthode d'opération de découpage du tableau bidimensionnel. Supposons que nous ayons un tableau bidimensionnel 2x3 b :

b = np.array([[0, 1, 2],
              [3, 4, 5]])

Nous pouvons spécifier la plage de la tranche en utilisant des virgules. L'exemple de code est le suivant :

# 切片操作
c = b[0]  # 提取第0行的元素
print(c)  # 输出：[0 1 2]

d = b[:, 1]  # 提取所有行的第1列元素
print(d)  # 输出：[1 4]

e = b[:2, 1:]  # 提取前两行以及第二列之后的元素
print(e)  # 输出：[[1 2]
           #       [4 5]]

4. Découpage de tableaux multidimensionnels
   Lorsqu'il s'agit de tableaux multidimensionnels, les opérations de découpage sont également très pratiques. Supposons que nous ayons un tableau tridimensionnel 3x3x3 c :

c = np.array([[[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]]])

Nous pouvons spécifier la plage de la tranche en augmentant le nombre de virgules. L'exemple de code est le suivant :

# 切片操作
d = c[0]  # 提取第0个二维数组
print(d)  # 输出：[[0 1 2]
           #       [3 4 5]
           #       [6 7 8]]

e = c[:, 1, :]  # 提取所有二维数组的第1行的元素
print(e)  # 输出：[[ 3  4  5]
           #       [12 13 14]
           #       [21 22 23]]

f = c[:, :, ::2]  # 提取所有二维数组的每隔一个元素的列
print(f)  # 输出：[[[ 0  2]
           #        [ 3  5]
           #        [ 6  8]]
           #       [[ 9 11]
           #        [12 14]
           #        [15 17]]
           #       [[18 20]
           #        [21 23]
           #        [24 26]]]

5. Résumé
   Cet article présente la méthode d'opération de découpage de Numpy et illustre, à l'aide d'exemples de code spécifiques, comment utiliser les opérations de découpage pour traiter facilement des données à grande échelle. Les opérations de découpage peuvent effectuer des opérations flexibles sur des tableaux unidimensionnels, bidimensionnels et multidimensionnels, ce qui peut considérablement améliorer l'efficacité du traitement des données et la lisibilité du code. Une fois que vous maîtriserez la méthode d’opération de découpage Numpy, il deviendra plus facile de traiter des données à grande échelle.

Références :

• Travis E, Oliphant (2006). Un guide de NumPy USA : Trelgol Publishing
• https://numpy.org/doc/stable/reference/
• https://numpy . org/doc/stable/user/quickstart.html

Exemple de code :

import numpy as np

# 一维数组切片
a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
b = a[2:6]
c = a[:4]
d = a[6:]
e = a[::3]

# 二维数组切片
b = np.array([[0, 1, 2],
              [3, 4, 5]])
c = b[0]
d = b[:, 1]
e = b[:2, 1:]

# 多维数组切片
c = np.array([[[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]]])
d = c[0]
e = c[:, 1, :]
f = c[:, :, ::2]

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!