An warware: concat tare da sifili tsararrun adadi

A cikin duniyar shirye-shirye da nazarin bayanai, sarrafa tsararraki masu yawa da matrices sun zama mahimmanci don ingantaccen aiki. Ɗayan ɗakin karatu da ya yi fice a cikin Python don aiki tare da waɗannan tsarin bayanai shine Lambobi. NumPy yana haɗa wani abu mai ƙarfi N-dimensional array tare da ayyuka iri-iri da kayan aiki don aiki akan bayanan. A yau, za mu tattauna batun akai-akai wanda masu haɓakawa da manazarta ke ci karo da su: haɗa tsararru mai girman sifili ta amfani da NumPy.

Kafin nutsewa cikin mafita, bari mu tattauna ainihin abin da ke nufin haɗa ma'aunin sifili. A cikin NumPy, wani lokaci mukan yi mu'amala da tsararraki waɗanda ba su da abubuwa sifili, wanda kuma ake magana da shi azaman fanko ko girman sifili. Manufar mu a nan ita ce mu gano yadda za mu haɗa waɗannan jeriyoyin masu girman sifili da sauran tsararru.

The Magani

Don magance matsalar, muna buƙatar bincika ko shirye-shiryen da muke haɗawa ba komai bane ko a'a. Idan tsararru babu komai, kawai mu tsallake tare da haɗa shi. Za mu yi amfani da Python's if sanarwa tare da numpy.size() aiki don cimma wannan.

Bari mu ga yadda wannan ke aiki a mataki-mataki tsari.

Bayanin Code-by-Taki-Taki

Da farko, bari mu shigo da ɗakin karatu da ake buƙata:

import numpy as np

Yanzu, za mu ƙirƙiri tsararraki biyu don dalilai na nunawa. Bari array_a zama tsararru mai girman sifili, kuma array_b ya zama tsararru mai abubuwa:

array_a = np.array([])
array_b = np.array([1, 2, 3, 4, 5])

Na gaba, za mu haɓaka aikinmu don haɗa tsararraki, muna la'akari da yanayi na musamman na tsararrun masu girman sifili:

def concatenate_arrays(array1, array2):
    if not np.size(array1):
        return array2
    elif not np.size(array2):
        return array1
    else:
        return np.concatenate((array1, array2))

A cikin aikin da ke sama, da farko za mu bincika ko ɗayan tsararrun shigarwar ba su da abubuwa marasa sifili (ba komai). Idan array1 babu komai, aikin zai dawo array2, kuma akasin haka. Idan babu komai a cikin tsararru, yana ci gaba da haɗa su ta amfani da numpy.concatenate() aiki.

Yanzu, bari mu gwada aikin mu concatenate_arrays:

result_array = concatenate_arrays(array_a, array_b)
print(result_array)

Wannan zai fitar da:

[1., 2., 3., 4., 5.]

Kamar yadda kuke gani, aikinmu ya sami nasarar haɗa jeri mai girman sifili tare da ɗayan, yana maido da abubuwan da ba su da sifili kawai.

Laburaren NumPy

Lambobi, wanda ke tsaye ga Python lambobi, ɗakin karatu ne mai ƙarfi wanda ke ba masu amfani damar yin aiki yadda ya kamata tare da tsarin bayanai kamar su arrays, matrices, da ƙari. Girman shahararsa a cikin al'ummar kimiyyar bayanai shaida ce ga iyawar sa, yana baiwa masu haɓaka damar aiwatar da ayyukan lissafi cikin sauri akan manyan bayanan bayanai. NumPy yana ba da tushe ga sauran mahimman ɗakunan karatu kamar pandas, TensorFlow, da scikit-learn.

Yin mu'amala da Tsarukan Maɗaukaki Mai Girma

Ikon NumPy ya ta'allaka ne akan ikon sa na aiki tare da tsararraki masu girma dabam ba tare da wahala ba. A cikin lissafin kimiyya, sau da yawa muna yin hulɗa da manyan jigogi na n-girma, masu wakiltar sigogi daban-daban don nuna hadaddun bayanai. NumPy tsararru adana bayanai iri ɗaya da ayyukan tallafi kamar haɓaka-hikima da haɓakawa, samfuran dige-dige, da watsa shirye-shirye, duk yayin da suke ba da kyakkyawan aiki. Wannan yana sa yin aiki tare da waɗannan tsararru mai inganci kuma mai sauƙi, rage duk wani shingen hanya da za su iya fuskanta yayin aiwatarwa.

A ƙarshe, maɓalli don haɗa jeri mai girman sifili ta amfani da NumPy yana ta'allaka ne wajen sarrafa tsararrun fanko da kyau. Ta hanyar magance wannan batu, aikin mu na ƙarshe yana goyan bayan haɗa nau'o'in nau'i-nau'i da yawa da sifili a cikin tsari mara kyau. Tare da ƙarfin ƙarfinsa don sarrafa bayanai, NumPy ya kafa kanta a matsayin kayan aiki mai mahimmanci don nazarin bayanai, koyon injin, sarrafa hoto, da ƙari.