تقسیم کردن(split) آرایهها در NumPy
تقسیم کردن(Split) معکوسِ متصل کردن(Join) میباشد. متصل کردن باعث میشود چند آرایه با یکدیگر ادغام شوند و در یک آرایه قرار گیرند و تقسیم کردن باعث میشود یک آرایه، به چند آرایه تبدیل شود.
ما از تابع array_split() برای تقسیم کردن آرایهها استفاده میکنیم؛ و آرایهای که میخواهیم تقسیم شود و تعداد تقسیمها را به آن میدهیم.
مثال شماره 1
تقسیم کردن آرایه به 3 بخش:
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6])
newarr = np.array_split(arr, 3)
print(newarr)
نتیجه:
[array([1, 2]), array([3, 4]), array([5, 6])]
امتحان کنیدنکته: مقدار برگشتی در مثال بالا، یک لیست است که حاوی سه آرایه میباشد.
اگر آرایهی مورد نظر، عناصر مورد نیازِ کمی داشته باشد، از انتها به طور متناسب تنظیم خواهد شد.
مثال شماره 2
تقسیم کردن آرایه به 4 بخش:
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6])
newarr = np.array_split(arr, 4)
print(newarr)
نتیجه:
[array([1, 2]), array([3, 4]), array([5]), array([6])]
امتحان کنیدنکته: ما همچنین متد split() را نیز در دسترس داریم اما این متد وقتی که عناصر در آرایهی منبع برای تقسیم کردن کم هستند، آنها را تنظیم نمیکند؛ در مثال بالا، متد array_split() به درستی کار میکند اما متد split() با شکست مواجه میشود.
تقسیم کردن در آرایهها
مقدار برگشتی متد array_split() یک لیست است که حاوی هریک از تقسیمها به صورت یک آرایه است.
اگر یک آرایه را به سه آرایه تقسیم کنیم، میتوانیم درست مانند هر عنصر از یک آرایه به آنها دسترسی پیدا کنیم.
مثال شماره 3
دسترسی به آرایههای تقسیم شده:
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6])
newarr = np.array_split(arr, 3)
print(newarr[0])
print(newarr[1])
print(newarr[2])
نتیجه:
[1 2]
[3 4]
[5 6]
امتحان کنیدتقسیم کردن آرایههای دوبُعدی
وقتی که داریم آرایههای دوبُعدی را تقسیم میکنیم، از همین روش یا سینتکس میتوانیم استفاده کنیم.
از متد array_split() استفاده کنید و آرایهای که میخواهید تقسیم شود و تعداد تقسیمهایی که میخواهید انجام شود را به آن پاس بدهید.
مثال شماره 4
تقسیم کردن آرایهی دوبعدی به سه آرایهی دوبُعدی:
import numpy as np
arr = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10], [11, 12]])
newarr = np.array_split(arr, 3)
print(newarr)
نتیجه:
[array([[1, 2],
[3, 4]]), array([[5, 6],
[7, 8]]), array([[ 9, 10],
[11, 12]])]
امتحان کنیدمثال بالا، سه آرایهی دوبُعدی را برمیگرداند.
بیایید به یک مثال دیگر نگاهی بیاندازیم، این دفعه، هر عنصر در آرایههای دوبُعدی، حاویِ 3 عنصر است.
مثال شماره 5
تقسیم کردن آرایه ی دوبعدی به سه آرایه ی دوبعدی:
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15], [16, 17, 18]])
newarr = np.array_split(arr, 3)
print(newarr)
نتیجه:
[array([[1, 2, 3],
[4, 5, 6]]), array([[ 7, 8, 9],
[10, 11, 12]]), array([[13, 14, 15],
[16, 17, 18]])]
امتحان کنیدمثال بالا، سه آرایهی دوبُعدی را برمیگرداند. علاوه بر این، ما میتوانیم مشخص کنیم که میخواهیم از کدام محور(axis) برای تقسیم کردن استفاده کنیم.
مثال زیر نیز، سه آرایهی دوبُعدی را برمیگرداند اما آنها در امتداد ستون(axis=1) ازهم جدا شدهاند.
مثال شماره 6
تقسیم کردن آرایهی دوبُعدی به سه آرایهی دوبُعدی در امتداد ستونها:
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15], [16, 17, 18]])
newarr = np.array_split(arr, 3, axis=1)
print(newarr)
نتیجه:
[array([[ 1],
[ 4],
[ 7],
[10],
[13],
[16]]), array([[ 2],
[ 5],
[ 8],
[11],
[14],
[17]]), array([[ 3],
[ 6],
[ 9],
[12],
[15],
[18]])]
امتحان کنیدیک راهحل جایگزین این است که به جای hstack() از hsplit() استفاده کنیم.
مثال شماره 7
استفاده از متد hsplit() برای تقسیم کردن آرایهی دوبعدی به سه آرایهی دوبعدی درطول ستون ها:
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15], [16, 17, 18]])
newarr = np.hsplit(arr, 3)
print(newarr)
نتیجه:
[array([[ 1],
[ 4],
[ 7],
[10],
[13],
[16]]), array([[ 2],
[ 5],
[ 8],
[11],
[14],
[17]]), array([[ 3],
[ 6],
[ 9],
[12],
[15],
[18]])]
امتحان کنیدنکته: جایگزینهای مشابهی برای vstack() و dstack() در دسترس هستند که عبارتند از vsplit() و dsplit().
منبع: www.w3schools.com/python/numpy
- بازدید: 134
1. سعی کنید نظرات شما مرتبط با مقاله ی مورد نظر باشد، در غیر این صورت پاسخ داده نخواهد شد.
2. سوالات خود را به صورت کوتاه بیان کنید و از پرسیدن چند سوال به طور همزمان خودداری کنید.
3. سوال خود را به طور واضح بیان کنید و از کلمات مبهم استفاده نکنید.