Med enkla ord kan vi definiera den tvådimensionella arrayen som en array inom en annan array. Dess index börjar med '0' och slutar med storleken på matrisen '-1'. Arrayer kan konstrueras n gånger inom arrayer. En tvådimensionell array kan ändra storlek både vertikalt och horisontellt, i båda riktningarna.
Syntax
Syntaxen för att deklarera en array är enligt nedan:
array_name = [ r_arr ] [ c_arr ]
array_name är namnet på arrayen som vi vill skapa. Medan 'r_arr' är raderna i arrayen och 'c_arr' är arrayens kolumn. Denna syntax tillåter oss att skapa minnesplatsen där arrayen kommer att lagras, eller så kan vi säga att minnesplatsen kan reserveras för arrayen.
Det finns en annan metod för att deklarera en 2D-array:
array_name = [ [ R1C1 , R1C2 , R1C3 , ... ] , [ R2C2 , R2C2 , R2C3 , ... ] , . . .. ]
I syntaxen ovan är arraynamn namnet på arrayen där 'R1C1', 'R2C1', ... n är elementen i arrayen där 'R' betecknar rader och 'c' betecknar kolumner. Som vi kan se i de första klammerparenteserna ändras antalet rader medan kolumnerna är desamma. Detta beror på att vi inom arrayen definierar kolumner med hjälp av flera arrayer medan raderna definieras inuti de inre arrayerna.
Exempel # 01: Skapa en tvådimensionell matris
Låt oss ge ett praktiskt exempel på att skapa en tvådimensionell array och få en bättre uppfattning om hur en tvådimensionell array skapas. För att skapa en 2D-array kommer vi först att importera vårt NumPy-bibliotek som gör det möjligt för oss att implementera några paket som NumPy ger oss för att skapa arrayen. Därefter kommer vi att initiera en variabel som innehåller den tvådimensionella arrayen för att skapa en array. Vi skickar funktionen np.array() som låter oss skapa vilken typ av array som helst oavsett om det är 1D, 2D eller så vidare. Till den funktionen kommer vi att skicka flera arrayer inom denna array som låter oss skapa en 2-dimensionell array.
Som vi kan se i skärmdumpen nedan, på den andra raden, skickade vi tre arrayer till den funktionen vilket betyder att vi har tre rader och inom dessa arrayer skickade vi 6 element till varje vilket betyder att det finns 6 kolumner. En sak att lägga märke till är att vi alltid skickar element inom hakparenteser vilket betyder att vi skickar arrayelement och vi kan se att vi har passerat flera arrayer inom den enda arrayen.
importera numpy som t.ex.
array = t.ex. array ( [ [ 1 , två , 3 , 4 , 5 , 6 ] , [ 4 , 5 , 6 , 7 , 8 , 9 ] , [ 7 , 8 , 9 , 10 , elva , 12 ] ] )
skriva ut ( array )
Till slut skrev vi ut arrayen med en utskriftssats. Som visas i skärmdumpen nedan kan vi se att arrayen visas som innehåller 3 rader och 6 kolumner.
Exempel # 02: Åtkomst till värdena
När vi studerade metoden för att skapa 2D-arrayer, måste en sak ha klickat i vårt sinne: hur kan vi komma åt elementen i 2D-arrayen? Att komma åt elementet i 2D-arrayen är inte ett stort problem. Numpy gör det möjligt för oss att manipulera elementen i arrayer med en enkel kodrad som är:
Array [ radindex ] [ kolumnindex ]Arrayen är namnet på arrayen från vilken vi måste komma åt eller hämta data där radindexet är radens minnesplats. Och kolumnindex är platsen för den kolumn som ska nås, anta att vi måste komma åt index '2'-elementet i raden och index-'0'-elementet i en kolumn.
Som vi kan se i figuren nedan importerade vi först NumPy-biblioteket för att komma åt NumPy-paketen. Sedan deklarerade vi variabelnamnet 'array' som innehåller 2D-arrayen och skickade sedan de värden som vi vill lagra i den. Vi visade först arrayen som den är som vi har initierat. Sedan skickade vi arrayen med indexet till vår print()-sats som visar hela arrayen som är lagrad i index '2'. I nästa kodrad skickade vi återigen arrayen med två index till print()-satsen. Den första är raden i arrayen och den andra är arrayens kolumn som är '0' och '2'.
importera numpy som t.ex.array = t.ex. array ( [ [ 1 , två , 3 , 4 , 5 , 6 ] , [ 4 , 5 , 6 , 7 , 8 , 9 ] , [ 7 , 8 , 9 , 10 , elva , 12 ] ] )
skriva ut ( 'Array display:' , array )
skriva ut ( 'Visa den andra raden:' , array [ två ] )
skriva ut ( 'Visa elementet för den första raden och två kolumner:' , array [ 0 ] [ två ] )
Följande utdata returneras när kodkompilatorn körs och skrivs ut arrayen som den är. Sedan den andra raden enligt koden. Slutligen returnerar kompilatorn elementet som är lagrat i index '0' för rader och index '2' för kolumnen.
Exempel #03: Uppdatering av värden
Vi har redan diskuterat metodiken för hur vi kan skapa eller komma åt data eller element inom 2D-matrisen, men när vi måste ändra elementen i matrisen kan vi helt enkelt använda metoden som tillhandahålls av NumPy-paketen som tillåter oss för att uppdatera det önskade värdet inom en array.
För att uppdatera värdet använder vi:
array [ rad_index ] [ kolumnindex ] = [ värden ]I syntaxen ovan är arrayen namnet på arrayen. Radindexet är den plats eller plats som vi kommer att redigera. Kolumnindex är platsen för kolumnen där värdet uppdateras, där värdet är det som ska läggas till det önskade indexet.
Som vi kan se importerar vi först vårt NumPy-bibliotek. Och deklarerade sedan en array med storleken 3×6 och skickade dess heltalsvärden. Sedan skickade vi värdet '21' till matrisen vilket betyder att vi vill lagra värdet '21' i matrisen vid '0' i en rad och '2' i en kolumn vilket betyder att vi vill lagra det i indexet av första raden och 3 rd kolumn i arrayen. Skriv sedan ut båda arrayerna, den ursprungliga och även elementet som vi har lagrat i arrayen.
importera numpy som t.ex.array = t.ex. array ( [ [ 1 , två , 3 , 4 , 5 , 6 ] , [ 4 , 5 , 6 , 7 , 8 , 9 ] , [ 7 , 8 , 9 , 10 , elva , 12 ] ] )
array [ 0 ] [ två ] = tjugoett
skriva ut ( 'Array display:' , array )
skriva ut ( 'Visa elementet för den första raden och två kolumner:' , array [ 0 ] [ två ] )
Som visas nedan uppdateras värdet framgångsrikt i arrayen genom att bara lägga till en enkel kodrad som tillhandahålls av NumPy-paketet.
Slutsats
I den här artikeln förklarade vi olika sätt att skapa tvådimensionella arrayer och hur vi kan manipulera dem med hjälp av NumPys inbyggda funktioner. Vi diskuterade hur vi kan komma åt elementen i arrayen och uppdatera dem. Numpy gör det möjligt för oss att skapa och manipulera flerdimensionella arrayer med en enda kodrad. Numpy-arrayer är tydligare och mer effektiva än pythonlistor.