Ինչպե՞ս մուտք գործել NumPy զանգված ըստ սյունակի:

Python-ում մեծ տվյալների հավաքածուների հետ աշխատելիս տվյալների արդյունավետ մանիպուլյացիան շատ կարևոր է, ընդհանուր խնդիր է մուտք գործել NumPy զանգվածի հատուկ սյունակներ, որոնք կարող են կարևոր լինել տարբեր գործողություններ և վերլուծություններ կատարելու համար: NumPy՝ թվային հաշվարկների հայտնի գրադարան, ապահովում է զանգվածների հետ աշխատելու հզոր գործիքներ:

Այս հոդվածում մենք կուսումնասիրենք NumPy զանգվածի սյունակներում արդյունավետ մուտք գործելու տարբեր տեխնիկա և մեթոդներ՝ բացելով տվյալների պարզեցված մշակման և վերլուծության հնարավորությունը:

Ինչպե՞ս մուտք գործել NumPy զանգված ըստ սյունակի:

NumPy զանգվածներն առաջարկում են մի շարք տեխնիկա և մեթոդներ սյունակներն արդյունավետ մուտք գործելու համար: Անկախ նրանից, թե մենք պետք է կոնկրետ տվյալներ կորզենք կամ կատարենք տվյալների բարդ մանիպուլյացիաներ, այս մեթոդների ըմբռնումը մեզ հնարավորություն կտա պարզեցնել ձեր տվյալների վերլուծության գործընթացը:

Ստորև ներկայացված են NumPy զանգվածի սյունակներ մուտք գործելու տարբեր մեթոդներ −

Մեթոդ 1. Հիմնական ինդեքսավորում. Հեշտությամբ մուտք գործեք սյունակներ

Հիմնական ինդեքսավորումն ապահովում է NumPy զանգվածի սյունակներ մուտք գործելու պարզ միջոց: Օգտագործելով ստանդարտ ինդեքսավորման շարահյուսությունը, մենք կարող ենք առանց ջանքերի առբերել ցանկալի սյունակները: Որոշակի սյունակ մուտք գործելու համար օգտագործեք «:» կետի օպերատորը՝ բոլոր տողերը ընտրելու և քառակուսի փակագծերում սյունակի ինդեքսը նշելու համար: Դիտարկենք օրինակ −

Օրինակ

import numpy as np

# Create a sample NumPy array
array = np.array([[1, 2, 3, 4],
   [5, 6, 7, 8],
   [9, 10, 11, 12]])

# Accessing a specific column using basic indexing
column_basic = array[:, 2]
print("Column accessed using basic indexing:")
print(column_basic)

Արդյունք

Column accessed using basic indexing:
[ 3  7 11]

Այս դեպքում կոդի հատվածը կվերցնի զանգվածի ամբողջ երրորդ սյունակը: Փոխարինելով սյունակի ինդեքսը ցանկալի արժեքով, մենք կարող ենք մուտք գործել զանգվածի ցանկացած սյունակ:

Մեթոդ 2. Գեղեցիկ ինդեքսավորում. միաժամանակ մի քանի սյունակներ մուտք գործելու հնարավորություն

Եթե մեզ անհրաժեշտ է միաժամանակ մի քանի սյունակներ մուտք գործել, ապա ֆանտաստիկ ինդեքսավորումը գալիս է օգնության: Այս տեխնիկան ներառում է ինդեքսների զանգվածի փոխանցում՝ որոշակի սյունակներ ստանալու համար: Ստեղծելով ինդեքսային զանգված՝ կարող եք հարմար կերպով ընտրել ցանկալի սյունակները: Եկեք նայենք օրինակին −

Օրինակ

import numpy as np

# Create a sample NumPy array
array = np.array([[1, 2, 3, 4],
   [5, 6, 7, 8],
   [9, 10, 11, 12]])

# Accessing specific columns using fancy indexing
columns_fancy = array[:, [1, 3]]
print("Columns accessed using fancy indexing:")
print(columns_fancy)

Արդյունք

Columns accessed using fancy indexing:
[[ 2  4]
 [ 6  8]
 [10 12]]

Օգտագործելով այս կոդը՝ մենք կարող ենք զանգվածից առբերել 2, 4 և 6 սյունակները։ Կարգավորելով ինդեքսային զանգվածի արժեքները՝ մենք կարող ենք մուտք գործել սյունակների ցանկացած համակցություն՝ հիմնված մեր պահանջների վրա: Fancy ինդեքսավորումն առաջարկում է մեծ ճկունություն, երբ գործ ունենք տվյալների բարդ կառուցվածքների հետ:

Մեթոդ 3. Բուլյան ինդեքսավորում. սյունակներ մուտք գործելը հիմնված պայմանների վրա

Բուլյան ինդեքսավորումը թույլ է տալիս մեզ մուտք գործել NumPy զանգվածի սյունակներ՝ հատուկ պայմանների հիման վրա: Ստեղծելով զանգվածի նման ձևի բուլյան դիմակ՝ մենք կարող ենք զտել որոշակի չափանիշներին համապատասխանող սյունակներ։ Այս տեխնիկան անգնահատելի է, երբ գործ ունենք տվյալների մեծ հավաքածուների և բարդ զտման սցենարների հետ: Դիտարկենք օրինակ −

Օրինակ

import numpy as np

# Create a sample NumPy array
array = np.array([[1, 2, 3, 4],
   [5, 6, 7, 8],
   [9, 10, 11, 12]])

# Accessing columns based on a condition using boolean indexing
columns_boolean = array[:, array.sum(axis=0) > 10]
print("Columns accessed using boolean indexing:")
print(columns_boolean)

Արդյունք

Columns accessed using boolean indexing:
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

Այս դեպքում կոդի հատվածը առբերում է 10-ից մեծ գումարով սյունակներ: Օգտագործելով Բուլյան զանգվածները և տրամաբանական գործողությունները՝ դուք կարող եք ստեղծել բարդ պայմաններ՝ զտելու ձեզ անհրաժեշտ սյունակները:

Մեթոդ 4. զանգվածի փոխադրում. տողերի և սյունակների փոխանակում

NumPy զանգվածում սյունակներ մուտք գործելու մեկ այլ մոտեցում է զանգվածի փոխադրումը: Փոխանցման գործողությունը փոխում է տողերն ու սյունակները՝ արդյունավետորեն թույլ տալով մեզ վերաբերվել սյունակներին որպես տողերի: Մենք կարող ենք հասնել դրան՝ օգտագործելով .T հատկանիշը կամ numpy.transpose() ֆունկցիան։ Եկեք սա բացատրենք օրինակով −

Օրինակ

import numpy as np

# Create a sample NumPy array
array = np.array([[1, 2, 3, 4],
   [5, 6, 7, 8],
   [9, 10, 11, 12]])
# Accessing columns by transposing the array
transposed_array = array.T
column_transposed = transposed_array[2]
print("Column accessed by transposing the array:")
print(column_transposed)

Արդյունք

Column accessed by transposing the array:
[ 3  7 11]

Օգտագործելով այս կոդը, մենք կարող ենք առբերել փոխադրված զանգվածի երրորդ սյունակը: Զանգվածի փոխադրումը կարող է հատկապես օգտակար լինել այն իրավիճակներում, երբ սյունակները որպես տող մուտք գործելը պարզեցնում է ձեր տվյալների մանիպուլյացիայի առաջադրանքները:

Օգտագործելով այս արդյունավետ տեխնիկան NumPy զանգվածում սյունակներ մուտք գործելու համար, մենք հնարավորություն ենք ստանում կատարել տվյալների պարզեցված մանիպուլյացիաներ և վերլուծություններ: NumPy-ի զանգվածային հզոր գործողությունները՝ զուգորդված սյունակների մուտքի այս մեթոդների հետ, թույլ են տալիս մեզ հանել և շահարկել հատուկ սյունակներ՝ տվյալների մշակման մեր եզակի կարիքներին համապատասխան:

Եզրակացություն

Եզրափակելով, NumPy զանգվածի սյունակներ մուտք գործելը հիմնարար հմտություն է տվյալների արդյունավետ մանիպուլյացիայի համար: Օգտագործելով այնպիսի մեթոդներ, ինչպիսիք են հիմնական ինդեքսավորումը, ֆանտաստիկ ինդեքսավորումը, բուլյան ինդեքսավորումը և զանգվածի փոխադրումը, դուք կարող եք հեշտությամբ հանել և աշխատել հատուկ սյունակների հետ՝ բացելով NumPy-ի ողջ ներուժը տվյալների վերլուծության համար: