နည်းပါးသည် သုတေသန အရွက်
- အရှေ့စား နည်းပါးသည် သုတေသန ပေါင်း
- နောက်စား နည်းပါးသည် သုတေသန ပြွတ်
ပရိုဂရမ်ပညာ
ကျမ်းဆိုင်းများ
အုပ်စု အကိရိယာ ဖတ်ရှုရန်
အုပ်စု အရည်အချင်း အသုံးစွဲမှု အုပ်စု အကိရိယာ ဖတ်ရှုခြင်း နှင့် အတူတူပါသည်。
Example
အရည်အချင်း အမှတ် ကို ကိုယ်စားပြု၍ အုပ်စု အကိရိယာ ကို ဖတ်ရှုနိုင်ပါသည်。
import numpy as np arr = np.array([1, 2, 3, 4]) NumPy အုပ်စု တွင် အရည်အချင်း အသုံးစွဲမှု 0 မှ စတင်၍ ပထမ အကိရိယာ အရည်အချင်း အမှတ် 0 ဖြစ်၍ 2-မြောက် အကိရိယာ အရည်အချင်း အမှတ် 1 ဖြစ်ပြီး ထို့နောက် ပြောင်းလဲသည်。
Example
ဒီ အုပ်စု မှ 1-မြောက် အကိရိယာ ကို ဖတ်ရှုရန်
import numpy as np arr = np.array([1, 2, 3, 4]) ဒီ အုပ်စု မှ 2-မြောက် အကိရိယာ ကို ဖတ်ရှုရန်
Example
ဒီ အုပ်စု မှ 3-မြောက် နှင့် 4-မြောက် အကိရိယာ ကို နှိပ်တွဲ၍ ပြန်လည်ထုတ်ပြန်ခြင်း
import numpy as np arr = np.array([1, 2, 3, 4]) print(arr[2] + arr[3])
2-D အုပ်စု ကို ဖတ်ရှုရန်
ဒီ 2-D အုပ်စု တွင် အကိရိယာ ကို ဝေးဝေးခြင်း ဖြင့် အချက်အလက် ကို အချက်အလက် ကို ကိုယ်စားပြုနိုင်ပါသည်。
Example
1-မြောက် ကွက် တွင် 2-မြောက် အကိရိယာ ကို ဖတ်ရှုရန်
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])
Example
2-မြောက် ကွက် တွင် 5-မြောက် အကိရိယာ ကို ဖတ်ရှုရန်
import numpy as np
arr = np.array([[1,2,3,4,5], [6,7,8,9,10]])
print('5th element on 2nd dim: ', arr[1, 4])
3-D အုပ်စု ကို ဖတ်ရှုရန်
ဒီ 3-D အုပ်စု တွင် အကိရိယာ ကို ဝေးဝေးခြင်း ဖြင့် အချက်အလက် ကို အသုံးပြု၍ အကိရိယာ အခြေအနေ နှင့် အရည်အချင်း ကို အချက်အလက် ကို ကိုယ်စားပြုနိုင်ပါသည်。
Example
访问第一个数组的第二个数组的第三个元素：
import numpy as np arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]) print(arr[0, 1, 2])
例子解释
arr[0, 1, 2] Print value 6.
Working principle:
The first number represents the first dimension, which contains two arrays:
[[1, 2, 3], [4, 5, 6]]
Then:
[[7, 8, 9], [10, 11, 12]]
Because we selected 0Therefore, the remaining first array is:
[[1, 2, 3], [4, 5, 6]]
The second number represents the second dimension, which also contains two arrays:
[1, 2, 3]
Then:
[4, 5, 6]
Because we selected 1Therefore, the remaining second array is:
[4, 5, 6]
The third number represents the third dimension, which contains three values:
4
5
6
Because we selected 2Therefore, the final value is the third value:
6
Negative indexing
Use negative indexing to access the array from the end.
Example
Print the last element of the second dimension:
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])
- အရှေ့စား နည်းပါးသည် သုတေသန ပေါင်း
- နောက်စား နည်းပါးသည် သုတေသန ပြွတ်
