Datavitenskap

Hvordan bruke python NumPy hvor () fungerer med flere forhold

Hvordan bruke python NumPy hvor () fungerer med flere forhold
NumPy-biblioteket har mange funksjoner for å lage matrisen i python. hvor () -funksjonen er en av dem for å lage en matrise fra en annen NumPy-matrise basert på en eller flere forhold. Noen operasjoner kan gjøres på tidspunktet for opprettelse av matrisen basert på tilstanden ved å bruke denne funksjonen. Den kan også brukes uten noe betinget uttrykk. Hvordan denne funksjonen kan brukes med flere forhold i python, vises i denne veiledningen.

Syntaks:

bedøvet.hvor (tilstand, [x, y])

der () -funksjonen kan ta to argumenter. Det første argumentet er obligatorisk, og det andre argumentet er valgfritt. Hvis verdien av det første argumentet (tilstand) er sant, vil utdataene inneholde matriseelementene fra matrisen, x ellers fra matrisen, y. Denne funksjonen returnerer indeksverdiene til inngangsruten hvis det ikke brukes noe valgfritt argument.

Bruk av hvor () -funksjonen:

Ulike typer boolske operatører kan brukes til å definere tilstanden til denne funksjonen. Bruken av hvor en () -funksjon med flere forhold vises i denne delen av opplæringen.

Eksempel -1: Bruk av flere forhold med logisk OR

Følgende eksempel viser bruken av hvor () -funksjonen med og uten valgfritt argument. Her har den logiske OR brukt til å definere tilstanden. Den første hvor () -funksjonen er brukt i en endimensjonal matrise som vil returnere matrisen med indekser for inngangsmatrisen der tilstanden vil returnere ekte. Den andre der () -funksjonen er brukt i to endimensjonale matriser, vil hente verdiene fra den første matrisen når tilstanden vil returnere True. Ellers henter den verdiene fra den andre matrisen.

# Importer NumPy-biblioteket
importer nummen som np
# Opprett en matrise ved hjelp av listen
np_array1 = np.utvalg ([23, 11, 45, 43, 60, 18, 33, 71, 52, 38])
print ("Verdiene til inngangsruten: \ n", np_array1)
# Opprett en annen matrise basert på flere betingelser og en matrise
new_array1 = np.hvor ((np_array1 50))
# Skriv ut den nye matrisen
print ("De filtrerte verdiene til matrisen: \ n", new_array1)
# Lag en matrise ved hjelp av rekkeviddeverdier
np_array2 = np.arange (40, 50)
# Opprett en annen matrise basert på flere forhold og to matriser
new_array2 = np.hvor ((np_array1 60), np_array1, np_array2)
# Skriv ut den nye matrisen
print ("De filtrerte verdiene til matrisen: \ n", new_array2)

Produksjon:

Følgende utdata vises etter å ha utført skriptet ovenfor. Her har tilstanden kommet tilbake ekte for verdiene 23,11,18,33 og 38 for den første matrisen. Tilstanden har kommet tilbake Falsk for verdiene 45, 43, 60, 71 og 52. Så, 42, 43, 44 og 48 er lagt til fra den andre matrisen for verdiene 45, 43, 60 og 52. Her er 71 utenfor rekkevidde.

Eksempel -2: Bruk av flere forhold med logisk AND

Følgende eksempel viser hvordan funksjonen () kan brukes med flere betingelser definert av logiske og brukt i to endimensjonale matriser. Her er to endimensjonale NumPy-matriser opprettet ved hjelp av funksjonen rand (). Disse matriser har blitt brukt i hvor () -funksjonen med flere forhold for å lage den nye matrisen basert på forholdene. Tilstanden vil komme tilbake ekte når den første matrisens verdi er mindre enn 40 og verdien til den andre matrisen er større enn 60. Den nye matrisen har skrevet ut senere.

# Importer NumPy-biblioteket
importer nummen som np
# Lag to matriser med tilfeldige verdier
np_array1 = np.tilfeldig.rand (10) * 100
np_array2 = np.tilfeldig.rand (10) * 100
# Skriv ut verdiene for matrisen
print ("\ nVerdiene til den første matrisen: \ n", np_array1)
print ("\ nVerdiene til den andre matrisen: \ n", np_array2)
# Opprett en ny matrise basert på forholdene
new_array = np.hvor ((np_array1 60), np_array1, np_array2)
# Skriv ut den nye matrisen
skriv ut ("\ nDe filtrerte verdiene for begge matriser: \ n", new_array)

Produksjon:

Følgende utdata vises etter å ha utført skriptet ovenfor. Tilstanden har kommet tilbake Falsk for alle elementer. Så den returnerte matrisen inneholder bare verdiene fra den andre matrisen.

Eksempel 3: Bruk av flere forhold i den flerdimensjonale matrisen

Følgende eksempel viser hvordan hvor () -funksjonen kan brukes med flere betingelser definert av logisk OG som vil bli brukt i to flerdimensjonale matriser. Her er to flerdimensjonale matriser opprettet ved hjelp av lister. Deretter har disse funksjonene brukt i hvor () -funksjonen for å opprette den nye matrisen basert på tilstanden. Tilstanden som brukes i funksjonen vil komme tilbake ekte hvor verdien av den første matrisen er jevn og verdien av den andre matrisen er merkelig; ellers vil tilstanden komme tilbake Falsk.

# Importer NumPy-biblioteket
importer nummen som np
# Lag to flerdimensjonale matriser med heltallverdier
np_array1 = np.matrise ([[5, 12, 21, 6, 11], [6, 10, 15, 31, 8]])
np_array2 = np.matrise ([[43, 19, 7, 34, 9], [99, 22, 41, 5, 12]])
# Skriv ut verdiene for matrisen
print ("\ nVerdiene til den første matrisen: \ n", np_array1)
print ("\ nVerdiene til den andre matrisen: \ n", np_array2)
# Opprett en ny matrise fra to matriser basert på forholdene
new_array = np.hvor (((np_array1% 2 == 0) & (np_array2% 2 == 1)), np_array1, np_array2)
# Skriv ut den nye matrisen
skriv ut ("\ nDe filtrerte verdiene for begge matriser: \ n", new_array)

Produksjon:

Følgende utdata vises etter å ha utført skriptet ovenfor. I utdataene har 43, 12, 7, 34, 9, 22, 41, 5 og 12 lagt til i den nye matrisen fra den andre matrisen fordi tilstanden er Falsk for disse verdiene. Den første 12 verdien i den nye matrisen er lagt til fra den første matrisen fordi betingelsen er ekte bare for denne verdien.

Konklusjon:

der () -funksjonen i NumPy-biblioteket er nyttig for å filtrere verdiene fra to matriser. Opprette en ny matrise ved å filtrere dataene fra to matriser basert på flere forhold definert av logisk ELLER og logisk OG har blitt forklart i denne opplæringen. Jeg håper leserne vil kunne bruke denne funksjonen i skriptet sitt ordentlig etter å ha praktisert eksemplene på denne veiledningen.

Beste spillkonsollemulatorer for Linux
Denne artikkelen vil liste opp populære programvare for spillkonsollemulering tilgjengelig for Linux. Emulation er et programvarekompatibilitetslag so...
Beste Linux Distros for spill i 2021
Linux-operativsystemet har kommet langt fra det originale, enkle, serverbaserte utseendet. Dette operativsystemet har forbedret seg enormt de siste år...
Hvordan fange opp og streame spilløkten din på Linux
Tidligere ble spill bare ansett som en hobby, men med tiden så spillindustrien en enorm vekst når det gjelder teknologi og antall spillere. Spillpubli...