Python 2D-massiivid: kahemõõtmelise loendi näited

⚡ Nutikas kokkuvõte

Python 2D-massiiv on teise massiivi sisse paigutatud massiiv, mis moodustab ridu ja veerge nagu tabel. Allolevad näited näitavad, kuidas 2D-massiive luua, neile juurde pääseda, neid lisada, värskendada, kustutada ja nende suurust muuta.

  • 🧱 Struktuur: Kahemõõtmeline massiiv on ridade ja veergude massiiv.
  • 🔢 Indekseerimine: Juurdepääs elemendile käsuga array[row][column]; indeksid algavad 0-st.
  • Sisesta ja uuenda: Lisa ridu insert() abil ja muuda väärtusi indeksi järgi.
  • 🗑️ Kustuta ja suurus: Eemalda read del abil ja loe read len() abil.
  • 🔁 Kordamine: Kasutage ridade ja veergude läbimiseks pesastatud tsükleid.
  • 🧮 NumPy valik: Raske numbrilise töö jaoks loo kiiruse huvides tõelised 2D massiivid numpy.array() abil.

Python 2D-massiiv

Mis on kahemõõtmeline massiiv Python?

Massiiv on andmestruktuur, mida kasutatakse elementide salvestamiseks. Massiivi saab salvestada ainult sarnast tüüpi elemente. Kahemõõtmeline on defineeritud kui massiiv massiivi sees. Massiivi indeks algab 0-ga ja lõpeb massiivi suurusega miinus 1. Massiivis saame luua 'n' arvu massiive.

Python 2D massiivid

Ülaltoodud pildil näeme, et indeks identifitseerib unikaalselt iga massiivi elemendi.

Kuidas luua massiivi sisse Python?

Saame luua kahemõõtmelise ridade ja veergudega massiivi(loendi).

Süntaks:

[[r1,r2,r3,..,rn],[c1,c2,c3,.......,cn]]

Kus

r tähistab ridu ja c veerge

Näide: Järgmine on loomise näide

2D massiiv 4 rea ja 5 veeruga

array=[[23,45,43,23,45],[45,67,54,32,45],[89,90,87,65,44],[23,45,67,32,10]]
#display
print(array)

Väljund:

[[23, 45, 43, 23, 45], [45, 67, 54, 32, 45], [89, 90, 87, 65, 44], [23, 45, 67, 32, 10]]

Juurdepääs väärtustele

Väärtustele pääseme juurde indeksi positsiooni abil

Süntaks:

Saame rea väärtuse saada kasutades [] operaator

array[row index]

Veeru väärtuse saame kasutada kasutades [][]

Array[row index][column index]

kus

  • massiiv on sisendmassiiv
  • rea indeks on rea indeksi asukoht, mis algab 0-st
  • veeru indeks on veeru indeksi asukoht, mis algab reas 0-st.

Näide:

Selles näites pääseme väärtustele juurde indeksipositsioonide abil

#creare 2D array with 4 rows and 5 columns
array=[[23,45,43,23,45],[45,67,54,32,45],[89,90,87,65,44],[23,45,67,32,10]]

#display
print(array)

#get the first row
print(array[0])

#get the third row
print(array[2])

#get the first row third element
print(array[0][2])

#get the third row forth element
print(array[2][3])

Väljund:

[[23, 45, 43, 23, 45], [45, 67, 54, 32, 45], [89, 90, 87, 65, 44], [23, 45, 67, 32, 10]]
[23, 45, 43, 23, 45]
[89, 90, 87, 65, 44]
43
65

Elementidele pääseme juurde ka kasutades for loop

Süntaks:

for rows in the array:
  for columns in rows:
    print(columns)

kus

  • ridu kasutatakse ridade kordamiseks
  • veerge kasutatakse igas reas olevate väärtuste kordamiseks.

Näide:

Creare 2D array with 4 rows and 5 columns
array=[[23,45,43,23,45],[45,67,54,32,45],[89,90,87,65,44],[23,45,67,32,10]]

#use for loop to iterate the array
for rows in array:
 for columns in rows:
   print(columns,end=" ")
   print()

Väljund:

23 45 43 23 45
45 67 54 32 45
89 90 87 65 44
23 45 67 32 10

Väärtuste sisestamine kahemõõtmelisse massiivi

Siin lisame väärtused kahemõõtmelisse massiivi, kasutades funktsiooni insert ().

süntaksit:

array.insert(index,[values])

kus

  • massiiv on sisendmassiiviks
  • indeks on rea asukoht konkreetse rea lisamiseks
  • väärtus on massiivi sisestatavad väärtused

Näide: Sisesta massiivi väärtustesse

#Create 2D array with 4 rows and 5 columns
array=[[23,45,43,23,45],[45,67,54,32,45],[89,90,87,65,44],[23,45,67,32,10]]

#insert the row at 5 th position
array.insert(2, [1,2,3,4,5])

#insert the row at 6 th position
array.insert(2, [1,2,3,4,5])

#insert the row at 7 th position
array.insert(2, [1,2,3,4,5])

#display
print(array)

Väljund:

[[23, 45, 43, 23, 45], [45, 67, 54, 32, 45], [1, 2, 3, 4, 5], [1, 2, 3, 4, 5], [1, 2, 3, 4, 5], [89, 90, 87, 65, 44], [23, 45, 67, 32, 10]]

Väärtuste värskendamine kahemõõtmelisse massiivi

Siin on kaks meetodit 2-D massiivi (loendi) väärtuste värskendamiseks.

Ridu saate värskendada järgmise süntaksi abil

array[row_index]= [values]

Veergude väärtusi saate värskendada ridade sees, kasutades järgmist süntaksit

array[row_index][column_index]= [values]

Näide:

#creare 2D array with 4 rows and 5 columns
array=[[23,45,43,23,45],[45,67,54,32,45],[89,90,87,65,44],[23,45,67,32,10]]

#update row values in the 3rd row
array[2]=[0,3,5,6,7]

#update row values in the 5th row
array[2]=[0,3,5,6,7]

#update the first row , third column
array[0][2]=100

#update the second row , third column
array[1][2]=400

#display
print(array)

Väljund:

[[23, 45, 100, 23, 45], [45, 67, 400, 32, 45], [0, 3, 5, 6, 7], [23, 45, 67, 32, 10]]

Väärtuste kustutamine kahemõõtmelisest massiivist

Saate ridu kustutada kasutades del funktsioon

süntaksit:

del array[index]

kus

  • massiiv on sisendmassiiviks
  • indeks viitab reaindeksile

Näide:

#creare 2D array with 4 rows and 5 columns
array=[[23,45,43,23,45],[45,67,54,32,45],[89,90,87,65,44],[23,45,67,32,10]]

#delete row values in the 3rd row
del array[2]

#delete row values in the 2nd row
del array[1]

#display
print(array)

Väljund:

[[23, 45, 43, 23, 45], [23, 45, 67, 32, 10]]

Hankige kahemõõtmelise massiivi suurus

Kahemõõtmelise massiivi suuruse saate funktsiooni line() abil. See tagastab massiivi ridade arvu

Süntaks:

len(array)

Näide:

Hankige kahemõõtmelise massiivi pikkus

#creare 2D array with 4 rows and 5 columns
array=[[23,45,43,23,45],[45,67,54,32,45],[89,90,87,65,44],[23,45,67,32,10]]
#display
print(len(array))

Väljund:

4

oluline Python Massiivi (loendi) meetodid

Siin on mõned olulised massiivi (loendi) meetodid

Meetod Kirjeldus Süntaks Näide
Lisa(): See meetod aitab meil lisada olemasoleva massiivi lõppu elemendi. array.append(väärtus)
# Adding an element using append method to the end of an array array=[1,2,3] array.append(4) print(array)

Väljund:

[1,2,3,4]
Tühjenda (): See meetod aitab meil eemaldada kõik massiivi elemendid array.clear()
# Removing all the elements from an array array=[1,2,3]
array.clear()

Väljund:

[]
Kopeeri (): See meetod aitab meil kopeerida massiivi sisu uude massiivi massiiv1=massiivi.copy()
#Copying the elements from an array to a new array array=[1,2,3] array1=[]
array1=array.copy()
  print(array1)

Väljund:

[1,2,3]
Count(): See meetod aitab meil lugeda massiivi kindla elemendi esinemiste arvu array.count(element)
#Counting the no of times an element is present in an array array=[1,2,3]
print(array.count(8))
 Output: 0
Extend(): See meetod aitab meil laiendada massiivi sellest koosnevatest elementidest kaugemale. array.extend(massiiv1)
#Extending an existing array with another array array=[1,2,3] array1=[4,5,6] array.extend(array1) print(array)
Output: [1,2,3,4,5,6]
Indeks(): See meetod aitab meil leida massiivi elemendi indeksi array.index(element)
#returing the index an element in an array array=[1,2,3]
print(array.index(3))

Väljund:

2
Insert (): See meetod aitab meil sisestada elemente määratud indeksiga massiivi. array.insert(indeks,element)
#Inserting an element at a specified index into an array array=[1,2,3]
array.insert(2,4)
  print(array)

Väljund:

[1,2,4,3]
Pop(): See meetod aitab meil eemaldada määratud indeksi elemendi array.pop(indeks)
#Removing an element at specified index through pop method
array=[1,2,3]
array.pop(2)
  print(array)

Väljund:

[1,2]
Eemalda (): See meetod aitab meil eemaldada massiivist konkreetse sobiva elemendi. array.remove(element)
array=[1,2,3]
array.remove(2)
  print(array)

Väljund:

[1,3]
Reverse(): See meetod aitab massiivi elemente ümber pöörata. array.reverse()
array=[1,2,3,4]
array.reverse()
  print(array)

Väljund:

[4,3,2,1]

KKK

In Python, siis kahemõõtmeline massiiv rakendatakse tavaliselt loendite loendina, seega tähendavad need kaks terminit sama asja. Kiireks numbriliseks tööks pakub NumPy teek spetsiaalset tõelist massiivitüüpi.

Impordi NumPy ja edasta seejärel numpy.array() funktsioonile loendite loend, näiteks np.array([[1,2],[3,4]]). NumPy massiivid toetavad kiiret elementide kaupa arvutamist, viilutamist ja ümberjagamist.ping mida lihtsad loendite loendid ei suuda tõhusalt teha.

Kasutage loendi käsitlust, näiteks [[0]*cols _ jaoks vahemikus (read). Vältige [[0]*cols]*rows, sest see kordab sama sisemist loendiviidet ja ühe rea muutmine muudab kogemata kõiki ridu.

Ridade arvu jaoks kasuta len(array) ja esimese rea veergude jaoks len(array[0]). NumPy puhul tagastab shape atribuut mõlemad väärtused (read, veerud) tuplena.

Loend salvestab segatud andmetüüpe ja asub hajutatud mälus. NumPy massiiv hoiab ühte andmetüüpi külgnevas mälus, kasutab vähem ruumi ja teeb numbrilisi toiminguid palju kiiremini, kuna need käivitatakse C-keeles.

Kasutage tsüklite jaoks pesastatud tsükleid: välimine tsükkel itereerib iga rea ​​​​ja sisemine tsükkel itereerib selle rea ​​sees olevate veergude üle. See võimaldab teil lugeda või uuendada iga elementi positsiooni haaval.

Tehisintellekti assistendid saavad genereerida 2D-massiivikoodi, selgitada indeksvigu, kirjutada pesastatud tsükleid ja teisendada loendite loendi ja NumPy massiivi vahel, mis kiirendab õppimist ja igapäevaseid andmetöötlusülesandeid.

Jah. GitHub Copilot teostab kommentaarist automaatselt 2D-massiivi loomise, indekseerimise ja läbimise ning agentitööriistad saavad pesastatud tsükleid ümber faktoriseerida või failis ükshaaval esinevaid vigu automaatselt tuvastada.

Võta see postitus kokku järgmiselt: