5 Приведенных методов для поиска Numpy Array

Автор оригинала: Pankaj Kumar.

Здравствуйте, читатели! В этой статье мы будем сосредоточиться на 5 методах для поиска Numpy Armays с условиями, подробно.

Итак, давайте начнем! 🙂.

Огнетный массив хранит элементы аналогичных типов в непрерывной структуре. Мы часто сталкиваемся с ситуациями, где нам нужно посмотреть на максимальные и минимальные элементы массивов при динамическом времени выполнения. Numpy предлагает нам набор функций, которые позволяют нам искать определенные элементы, имеющие определенные условия, применяемые к ним.

Как поиск Numpy массивы для определенных элементов?

Давайте посмотрим, как 5 функций, используемых для поиска Numpy Racay подробно:

1. Функция argmax ()
2. Функция nanargmax ()
3. Функция аргмина ()
4. Функция Nargmin ()
5. Поиск функции, где ()

1. функция numpy argmax ()

С Numpy argmax () Функция Мы можем легко получить и отображать индекс максимального (крупнейшего) элемента, присутствующего в структуре массива.

Для этого индекс самых больших элементов является результирующим значением из функции argmax ().

Синтаксис:

numpy.argmax() function

Пример:

import numpy as np
data = np.array([[66, 99, 22,11,-1,0,10],[1,2,3,4,5,0,-1]])
res =  np.argmax(data) 
print(data)
print("Max element's index:", res)

Выход:

В приведенном выше примере мы создали две массивы того же типа данных. Кроме того, применили функцию Argmax (), чтобы получить индекс максимального элемента из всех элементов. Как 99 – самый большой элемент, 1 отображается в качестве результирующего значения индекса.

[[66 99 22 11 -1  0 10]
 [ 1  2  3  4  5  0 -1]]
Max element's index: 1

2. Функция NANARGMAX NANARARGMAX ()

С Нанаргмакс () Функция Мы можем легко справиться с NAN или нулевыми значениями, присутствующими в массиве. То есть он не лечится по-разному. Затем значения NAN не влияют на функционирование значений поиска.

Синтаксис:

numpy.nanargmax()

Пример:

В приведенном ниже примере элементы массива содержат нулевое значение, передаваемое с использованием функции numpy.nan. Кроме того, теперь мы используем функцию NANARGMAX () для поиска NUMPY-массивов и находить максимальное значение из элементов массива, не позволяя NAN-элементу, влияющему на поиск.

import numpy as np
data = np.array([[66, 99, 22,np.nan,-1,0,10],[1,2,3,4,np.nan,0,-1]])
res =  np.nanargmax(data) 
print(data)
print("Max element's index:", res)

Выход:

[[66. 99. 22. nan -1.  0. 10.]
 [ 1.  2.  3.  4. nan  0. -1.]]
Max element's index: 1

3. Numpy Argmin () Функция

С Функция Argmin () , мы можем найти замечательные массивы и извлечь индекс наименьших элементов, присутствующих в массиве в более широком масштабе. Он ищет наименьшее значение, присутствующее в структуре массива и возвращает индекс того же. Таким образом, с индексом мы можем легко получить наименьший элемент, присутствующий в массиве.

Синтаксис:

numpy.argmin() function

Пример:

import numpy as np
data = np.array([[66, 99, 22,11,-1,0,10],[1,2,3,4,5,0,-1]])
res =  np.argmin(data) 
print(data)
print("Min element's index:", res)

Выход:

Как видно ниже, есть два индекса, которые занимают самый низкий элемент I.E. [-1]. Но функция ARGMIN () возвращает индекс первого вхождения наименьшего элемента из значений массива.

[[66 99 22 11 -1  0 10]
 [ 1  2  3  4  5  0 -1]]
Min element's index: 4

4. Numpy где () функция

С Где () функция , мы можем легко найти Numpy Armays для значений индекса любого элемента, который соответствует условию, переданному в качестве параметра к функции.

Синтаксис:

numpy.where(condition)

Пример:

import numpy as np
data = np.array([[66, 99, 22,11,-1,0,10],[1,2,3,4,5,0,-1]])
res =  np.where(data == 2) 
print(data)
print("Searched element's index:", res)

Выход:

В этом примере мы искали элемент из массива, значение которого равно 2. Далее, к которому функция где () возвращает индекс массива и тип данных того же.

[[66 99 22 11 -1  0 10]
 [ 1  2  3  4  5  0 -1]]
Searched element's index: (array([1], dtype=int64))

5. функция nanargmin () numpy

С Нанаргмин () Функция Мы можем легко найти Numpy Armays, чтобы найти индекс наименьшего значения, присутствующего в элементах массива, без необходимости беспокоиться о значениях NAN, присутствующих в них. Нулевые значения имеют нулевое влияние на поиск элементов.

Синтаксис:

numpy.nanargmin()

Пример:

import numpy as np
data = np.array([[66, 99, np.nan,11,-1,0,10],[1,2,3,4,5,0,-1]])
res =  np.nanargmin(data) 
print(data)
print("Searched element's index:", res)

Выход:

[[66. 99. nan 11. -1.  0. 10.]
 [ 1.  2.  3.  4.  5.  0. -1.]]
Searched element's index: 4

Заключение

Не стесняйтесь комментировать ниже, если вы столкнетесь с любым вопросом. Для более таких постов, связанных с программированием Python, оставайся настроенными нами.

До этого, счастливого обучения !! 🙂.