Låt oss anta att vi har elevernas data lagrade i form av arrayer och vi vill filtrera bort de misslyckade eleverna. Vi kommer helt enkelt att filtrera arrayen och exkludera de underkända studenterna och en ny array av godkända studenter kommer att erhållas.
Steg för att filtrera en NumPy-array
Steg 1: Importerar NumPy-modulen.
Steg 2: Skapar en array.
Steg 3: Lägg till filtreringsvillkor.
Steg 4: Skapa en ny filtrerad array.
Syntax:
Det finns flera sätt att filtrera arrayer. Det beror på filtrets tillstånd, som om vi bara har ett tillstånd eller om vi har mer än ett tillstånd.
Metod 1: För ett tillstånd kommer vi att följa följande syntax
array [ array < skick ]I syntaxen som nämns ovan är 'array' namnet på arrayen från vilken vi kommer att filtrera elementen. Och villkoret kommer att vara tillståndet där elementen filtreras och operatorn '<' är det matematiska tecknet som representerar mindre än. Det är effektivt att använda det när vi bara har ett villkor eller påstående.
Metod 2: Använda 'ELLER'-operatören
array [ ( array < skick1 ) | ( array > skick2 ) ]I den här metoden är 'array' namnet på den matris som vi kommer att filtrera värden från och villkoret skickas till den. Operatör '|' används för att representera 'ELLER'-funktionen, vilket betyder att från båda villkoren bör en vara sann. Det är användbart när det finns två villkor.
Metod 3: Använda 'OCH'-operatorn.
array [ ( array < skick1 ) & ( array > skick2 ) ]I följande syntax är 'array' namnet på den matris som ska filtreras. Medan villkoret kommer att vara det tillstånd som diskuteras i ovanstående syntax medan operatorn som används '&' är AND-operatorn, vilket betyder att båda villkoren måste vara sanna.
Metod 4: Filtrering efter listade värden
array [ t.ex. in1d ( array , [ Lista över värden ] ) ]I denna metod passerade vi vår definierade array 'np.in1d' som används för att jämföra två arrayer oavsett om elementet i arrayen som ska filtreras finns i en annan array eller inte. Och matrisen skickas till np.in1d-funktionen som ska filtreras från den givna matrisen.
Exempel # 01:
Låt oss nu implementera den ovan diskuterade metoden i ett exempel. För det första kommer vi att inkludera våra NumPy-bibliotek som tillhandahålls av Python. Sedan kommer vi att skapa en array som heter 'my_array' som kommer att hålla värdena '2', '3', '1', '9', '3', '5', '6' och '1'. Därefter skickar vi vår filterkod som är 'my_array[(my_array < 5)]' till print-satsen vilket betyder att vi filtrerar värdena som är mindre än '5'. På nästa rad skapade vi en annan array med namnet 'array' som är ansvarig för att ha värdena '1', '2', '6', '3', '8', '1' och '0'. Till utskriftsutlåtandet har vi godkänt villkoret att vi kommer att skriva ut värden som är större än 5.
Till sist skapade vi en annan array som vi döpte till 'arr'. Den håller värdena '6', '7', '10', '12' och '14'. Nu för denna array kommer vi att skriva ut värdet som inte finns i arrayen för att se vad som händer om villkoret inte matchar. För att göra det klarade vi villkoret som kommer att filtrera värdet som är lika med värdet '5'.
importera numpy som t.ex.min_array = t.ex. array ( [ två , 3 , 1 , 9 , 3 , 5 , två , 6 , 1 ] )
skriva ut ( 'värden mindre än 5' , min_array [ ( min_array < 5 ) ] )
array = t.ex. array ( [ 1 , två , 6 , 3 , 8 , 1 , 0 ] )
skriva ut ( 'värden större än 5' , array [ ( array > 5 ) ] )
arr = t.ex. array ( [ 6 , 7 , 10 , 12 , 14 ] )
skriva ut ( 'värden lika med 5' , arr [ ( arr == 5 ) ] )
Efter exekvering av koden har vi följande utdata som ett resultat, där vi har visat de 3 utgångarna, den första är för elementen mindre än '5' i den andra exekveringen skrev vi ut värdena större än '5'. I slutet skrev vi ut värdet som inte finns eftersom vi kan se att det inte visar något fel men visade den tomma arrayen, vilket betyder att det önskade värdet inte finns i den givna arrayen.
Exempel # 02:
I det här fallet kommer vi att använda några av metoderna där vi kan använda mer än ett villkor för att filtrera arrayerna. För att utföra det importerar vi helt enkelt NumPy-biblioteket och skapar sedan en endimensionell array med storleken '9' med värdena '24', '3', '12', '9', '3', '5', '2', '6' och '7'. På nästa rad använde vi en print-sats till vilken vi har skickat en array som vi har initialiserat med namnet 'my_array' med villkoret som ett argument. I detta har vi passerat villkoret eller vilket betyder att från båda av dem måste ett villkor vara sant. Om båda är sanna visar den data för båda villkoren. I detta tillstånd vill vi skriva ut värden som är mindre än '5' och större än '9'. På nästa rad använde vi AND-operatorn för att kontrollera vad som kommer att hända om vi använder ett villkor för att filtrera arrayen. I detta tillstånd visade vi värden som är större än '5' och mindre än '9'.
Importera numpy som t.ex.min_array = t.ex. array ( [ 24 , 3 , 12 , 9 , 3 , 5 , två , 6 , 7 ] )
skriva ut ( ”värden mindre än 5 eller större än 9 ” , min_array [ ( min_array < 5 ) | ( min_array > 9 ) ] )
skriva ut ( 'värden större än 5 och mindre än 9 ” , min_array [ ( min_array > 5 ) & ( min_array < 9 ) ] )
Som visas i utdraget nedan visas vårt resultat för koden ovan där vi filtrerade arrayen och fick följande resultat. Som vi kan se visas värden större än 9 och mindre än 5 i den första utgången och värdena mellan 5 och 9 försummas. Medan vi på nästa rad har skrivit ut värdena mellan '5' och '9' som är '6' och '7'. De andra värdena för arrayer visas inte.
Slutsats
I den här guiden har vi kort diskuterat användningen av filtermetoder som tillhandahålls av NumPy-paketet. Vi har implementerat flera exempel för att utveckla det bästa sättet att implementera filtermetoderna som tillhandahålls av numpy.