Автор оригинала: Pankaj Kumar.
Здравствуйте, читатели! В этой статье мы будем сосредоточиться на Numpy Set Операции в деталях.
Итак, давайте начнем !! 🙂.
Нуждается в numpy set
Python Numpy Module – это база для большинства популярных библиотек, таких как Pandas, Scikit-Surrey и т. Д. Причина, в которой его сила повышает ценность математического вычисления данных с точки зрения нескольких измерений.
Numpy Module предлагает нам возможность создавать одно- или многомерные массивы, лечить их как матрицу, выполнять операции на рядах и столбцах и т. Д.
С помощью заданных операций NUMPY модуль дает нам возможность выполнять основные наборы, связанные с такими, как объединение, пересечение, извлечение уникальных элементов для использования.
В контексте до текущей темы мы будем смотреть на операции ниже, предлагаемые Numpy-
- Союз
- Пересечение
- Симметричная разница
- Привлечь уникальные значения
С этими операциями это помогает нам получить манипулируемые данные для обработки.
Давайте посмотрим на каждого из них подробно в предстоящем разделе.
1. Опция Numpy Set Union
Операция Union объединяет значения от всех массивов и представляет собой одинаковую в одном массиве. В модуле Numpy мы можем выполнить профсоюзную работу с использованием функции Union1D.
В случае, если массив содержит дубликаты значений или имеет несколько вхождений элемента, то функция Union1D () включает в себя только одно вхождение этого элемента и исключает другие копии.
Синтаксис-
numpy.union1d(array,array)
Пример-
В приведенном ниже примере мы создали два массива, используя функцию numpy.array (). Кроме того, мы использовали функцию Union1D () для выполнения операции объединения.
Как ясно видно ниже функция Union1D () пренебрегает дублирующими элементами и учитывает только одно вхождение их на выходе.
import numpy as np array1 = np.array([30,60,90]) array2 = np.array([1,2,3,30]) res = np.union1d(array1,array2) print(res)
Выход-
Как видно ниже, он пренебрегает множеством вхождений элементов и представляет собой только одно вхождение значения 30 Отказ
[1 2 3 30 60 90]
2. Установите операцию пересечения
С операцией пересечения мы можем выбрать и представлять общие элементы из массивов, переданных в качестве параметров.
В Numpy мы можем использовать функцию Intersect1D () для извлечения и представляют собой общие элементы из массивов.
Синтаксис-
numpy.intersect1d(array,array,assume_unique)
С assume_unique Параметр, основанный на условиях ниже, это примет решение относительно дубликатовных значений::
- Если установлено значение true – функция IntersEct1d () включает в себя дубликаты значения как часть вывода.
- Если установлено значение false – он не включает в себя дубликаты значения как часть вывода.
Пример-
import numpy as np array1 = np.array([30,60,90]) array2 = np.array([1,2,3,30]) res = np.intersect1d(array1,array2, assume_unique=True) print(res)
Выход-
[30 30]
3. Симметричные различия
Numpy предоставляет нам функцию SETXOR1D () для выполнения симметричных различий между массивами. Симметричные различия означает, что он выбирает все необычные элементы из массивов. С помощью функции Setox1D () она в основном извлекает все не распространенные элементы из прошедших массивов и обеспечивает различные/уникальные элементы в качестве вывода.
Синтаксис-
np.setxor1d(arr1, arr2, assume_unique)
Пример-
import numpy as np array1 = np.array([30,60,90]) array2 = np.array([1,2,3,30]) res = np.setxor1d(array1,array2, assume_unique=True) print(res)
Выход-
[1 2 3 60 90]
4. Выберите уникальные значения из Numpy Array
Numpy предоставляет нам функцию numpy.unique (), чтобы получить и представлять уникальные элементы из одного массива. С этим функция пропускает все возникновение дубликатов и представляет собой только одно вхождение уникального объекта.
Синтаксис-
numpy.unique(array)
Пример-
import numpy as np array1 = np.array([30,60,90,30]) res = np.unique(array1) print(res)
Выход-
[60 90 30]
Заключение
По этому, мы подошли к концу этой темы. Не стесняйтесь комментировать ниже, если вы столкнетесь с любым вопросом.
Для получения дополнительных таких постов, связанных с программированием Python, оставайся настроенными нами!
До этого, счастливого обучения !! 🙂.