کتابخانه علوم داده numpy (قسمت سوم) | ایندکسینگ آرایه‌ها در نامپای

ایندکسینگ یا indexing به معنی دسترسی به داده‌های داخل یک آرایه می‌باشد شما می‌توانید به تمامی داده‌های داخل یک آرایه به کمک شماره‌ای به نام ایندکس (index) دسترسی داشته باشید .این شماره‌ها در نامپای همانند لیست‌ها در پایتون از 0 شروع می‌شود به این معنی که اولین المان یک آرایه ایندکس آن 0 می‌باشد.

دسترسی به داده‌های آرایه تک بعدی نامپای

دسترسی در آرایه‌های تک بعدی دقیقا مانند لیست‌ها می‌باشد و با کروشه می‌توان آنرا مشخص کرد.

import numpy as np
arr = np.array([1, 2, 3, 4])
print(arr[1])

دسترسی به داده‌های آرایه 2 بعدی نامپای

برای دسترسی به المان‌های آرایه 2 بعدی به کمک (( , )) در کروشه مشخص می‌کنیم که در لیست چندم , المان چندم را می‌خواهیم .

import numpy as np
arr = np.array([[1,2,3,4,5], [6,7,8,9,10]])
print('2nd element on 1st dim: ', arr[0, 1])

در این مثال ما المان دوم از اولین لیست رو می‌خواهیم یعنی همان عدد 2 .

دسترسی به داده‌های آرایه 3 بعدی نامپای

در این نوع آرایه هم همانند آرایه 2 بعدی از (( , )) کمک می‌گیریم و مفهوم اینکه از لیست چندم , لیست چندم ,  المان چندم را می‌خواهیم می‌سازیم .

import numpy as np
arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
print(arr[0, 1, 2])

در این مثال ما المان سوم از دومین لیست اولین لیست را می‌خواهیم که همان عدد 6 می‌شود .

ایندکسینگ منفی در نامپای

نامپای همانند لیست‌های پایتون ایندکسینگ منفی را ساپورت می‌کند و به این معنی هست که از آخر شمارش را انجام بده .

import numpy as np
arr = np.array([[1,2,3,4,5], [6,7,8,9,10]])
print('Last element from 2nd dim: ', arr[1, -1])

در این مثال ما آخرین المنت دومین لیست را می‌خواهیم .

آمورش بعدی کتابخانه علوم داده numpy (قسمت چهارم) | اسلایس کردن آرایه‌های نامپای | tmayt

آموزش قبلی کتابخانه علوم داده numpy (قسمت دوم) | ساخت آرایه‌ها در نامپای | tmayt