NumPy (Numerical Python) es una biblioteca de Python que se compone de arrays multidimensionales y numerosas funciones para realizar diversas operaciones matemáticas y lógicas en ellas. NumPy también consta de varias funciones para realizar operaciones de álgebra lineal y generar números aleatorios. NumPy se usa a menudo junto con paquetes como SciPy y Matplotlib para computación técnica.
Una array n-dimensional (multidimensional) tiene un tamaño fijo y contiene elementos del mismo tipo. se puede acceder al contenido de la array multidimensional y modificarlo indexando y cortando la array como se desee. Para acceder a los elementos de una array, primero debemos importar la biblioteca:
import numpy as np
Podemos usar Integer Indexing para acceder a elementos de datos. También podemos realizar Slicing para acceder a subsecuencias de datos.
Ejemplo 1:
Python3
# 1-dimensional array array1D = np.array([1, 2, 3, 4, 5]) print(array1D) # to access elements using positive # index print("\nusing positive index :" +str(array1D[0])) print("using positive index :" +str(array1D[4])) # negative indexing works in opposite # direction print("\nusing negative index :" +str(array1D[-5])) print("using negative index :" +str(array1D[-1]))
Producción :
[1 2 3 4 5] using positive index :1 using positive index :5 using negative index :5 using negative index :1
Ejemplo 2:
Python3
# 2-dimensional array array2D = np.array([[93, 95], [84, 100], [99, 87]]) print(array2D) print("shape :" +str(array2D.shape)) print("\npositive indexing :" +str(array2D[1, 0])) print("negative indexing :" +str(array2D[-2, 0])) print("\nslicing using positive indices :" +str(array2D[0:3, 1])) print("slicing using positive indices :" +str(array2D[:, 1])) print("slicing using negative indices :" +str(array2D[:, -1]))
Producción :
[[ 93 95] [ 84 100] [ 99 87]] shape :(3, 2) positive indexing :84 negative indexing :84 slicing using positive indices :[ 95 100 87] slicing using positive indices :[ 95 100 87] slicing using negative indices :[ 95 100 87]
Ejemplo 3:
Python3
# 3-dimensional array array3D = np.array([[[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8]], [[ 9, 10, 11], [12, 13, 14], [15, 16, 17]], [[18, 19, 20], [21, 22, 23], [24, 25, 26]]]) print(array3D) print("shape :" +str(array3D.shape)) print("\naccessing element :" +str(array3D[0, 1, 0])) print("accessing elements of a row and a column of an array:" +str(array3D[:, 1, 0])) print("accessing sub part of an array :" +str(array3D[1]))
Producción :
[[[ 0 1 2] [ 3 4 5] [ 6 7 8]] [[ 9 10 11] [12 13 14] [15 16 17]] [[18 19 20] [21 22 23] [24 25 26]]] shape :(3, 3, 3) accessing element :3 accessing elements of a row and a column of an array:[ 3 12 21] accessing sub part of an array :[[ 9 10 11] [12 13 14] [15 16 17]]
Publicación traducida automáticamente
Artículo escrito por devanshigupta1304 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA