Acceso a datos a lo largo de arrays de múltiples dimensiones en Python Numpy

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

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *