Viimastel aastatel on Pythoni kasutamine erinevates valdkondades hüppeliselt laienenud, eriti andmetega manipuleerimise ja teadusliku andmetöötluse valdkonnas. Üks nende ülesannete jaoks kõige sagedamini kasutatavaid teeke on NumPy. NumPy on võimas ja mitmekülgne raamatukogu, mida kasutatakse laialdaselt suurte, mitmemõõtmeliste massiivide ja maatriksitega töötamiseks ning muude matemaatiliste funktsioonide hulgas. Üks levinud toiming nende andmestruktuuridega töötamisel on vajadus massiivi viimane dimensioon ahendada või vähendada. Selles artiklis uurime seda teemat üksikasjalikult, alustades probleemi sissejuhatusest, millele järgneb lahendus ja koodi samm-sammult selgitus. Lõpetuseks käsitleme mõningaid seotud teemasid ja raamatukogusid, mis võiksid huvi pakkuda.
Vajadus ahendage viimane dimensioon massiivi võib tekkida erinevates olukordades, näiteks kui olete arvutanud tulemuse mitmemõõtmelisest massiivist ja soovite saada andmete lihtsamat ja vähendatud esitust. See toiming hõlmab sisuliselt algse massiivi muutmist väiksemate mõõtmetega massiiviks, kõrvaldades või ahendades selle telje viimase mõõtme.
Lahendus: np.squeeze kasutamine
Üks selle probleemi lahendamise viise on kasutada tuim.pigistada funktsiooni. See funktsioon eemaldab sisendmassiivi kujust ühemõõtmelised kirjed.
import numpy as np
arr = np.random.rand(2, 3, 1)
print("Original array shape:", arr.shape)
collapsed_arr = np.squeeze(arr, axis=-1)
print("Collapsed array shape:", collapsed_arr.shape)
Samm-sammuline selgitus
Jagame nüüd koodi lahti ja mõistame, kuidas see töötab.
1. Esiteks impordime NumPy teegi np-na:
import numpy as np
2. Järgmiseks loome juhusliku 3-mõõtmelise massiivi kujuga (2, 3, 1):
arr = np.random.rand(2, 3, 1)
print("Original array shape:", arr.shape)
3. Nüüd kasutame np.pigistada funktsioon massiivi viimase mõõtme ahendamiseks, määrates telg parameeter nagu -1:
collapsed_arr = np.squeeze(arr, axis=-1)
print("Collapsed array shape:", collapsed_arr.shape)
4. Selle tulemusena saame uue massiivi kujuga (2, 3), mis näitab, et viimane mõõde on edukalt ahendatud.
Alternatiivne lahendus: kujundage ümber
Veel üks viis viimase mõõtme ahendamiseks on kasutada tuim.ümberkujundada soovitud tulemuse saavutamiseks õigete parameetritega.
collapsed_arr_reshape = arr.reshape(2, 3)
print("Collapsed array shape using reshape:", collapsed_arr_reshape.shape)
Sel juhul oleme algse massiivi selgesõnaliselt ümber kujundanud, et selle kuju oleks (2, 3), ahendades tõhusalt viimase mõõtme.
Seotud raamatukogud ja funktsioonid
Peale NumPy on Pythoni ökosüsteemis veel mitmeid teeke, mis pakuvad tööriistu massiivide ja maatriksitega töötamiseks. Üks selline raamatukogu on SciPy, mis põhineb NumPy-l ja pakub teaduslikuks andmetöötluseks täiendavaid funktsioone. Masinõppe valdkonnas raamatukogu TensorFlow töötab ka tensorite (st mitmemõõtmeliste massiividega) ja pakub oma maatriksiga manipuleerimise funktsioonide komplekti. Lisaks on Pandad raamatukogu saab kasutada manipuleerimiseks Andmeraamid, kõrgema taseme andmestruktuur, mida võib pidada massiive sisaldavateks tabeliteks. Lisaks on numpy.newaxis toiming võimaldab teil lisada massiivile uue telje, mis võib olla kasulik, kui peate massiivi mõõtmeid laiendama, et see vastaks toimingu jaoks vajalikule kujule.
Kokkuvõtteks võib öelda, et võime massiividega tõhusalt manipuleerida ja nendega töötada on programmeerimise ja andmeteaduse maailmas oluline oskus. NumPy on äärmiselt võimas raamatukogu, mis pakub laialdast funktsionaalsust ning selliste tehnikate mõistmine nagu viimase mõõtme kokkuvarisemine on kasulik erinevates olukordades, kui käsitleda suuri ja keerulisi andmekogumeid.
