تکرار کردن آرایه در NumPy

تکرار کردن(Iterating)، یعنی جستجو کردن عناصر به صورت یک به یک. 

همان طور که ما با آرایه‌های چند بُعدی در numpy کار می‌کنیم، برای تکرار کردن عناصر آنها می‌توانیم از یک حلقه‌ی for در پایتون استفاده کنیم. 

اگر یک آرایه‌ی یک بُعدی را تکرار(iterate) کنیم، روی هر عنصر آن به صورت یک به یک، جسجتو خواهد شد. یعنی روی هر عنصر آن عملیاتی انجام خواهد شد. 

import numpy as np

arr = np.array([1, 2, 3])

for x in arr:
  print(x)

1
2
3

تکرار کردن آرایه‌های دو بُعدی

در یک آرایه‌ی دو بُعدی، روی تمام ردیف‌ها تکرار انجام خواهد شد:

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])

for x in arr:
  print(x)

[1 2 3]
[4 5 6]

نکته: اگر یک آرایه‌ی n بُعدی را تکرار کنیم، بُعدِ n-1اُم، به صورت یک به یک جستجو خواهد شد.  

برای برگرداندن مقادیر حقیقی، یا همان اسکالرها، باید آرایه ها را در هر بُعد تکرار کنیم. 

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])

for x in arr:
  for y in x:
    print(y)

1
2
3
4
5
6

تکرار کردن آرایه‌های سه بُعدی

در یک آرایه‌ی سه بُعدی، تمام آرایه‌های دو بُعدی جستجو(go through) خواهند شد. 

import numpy as np

arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])

for x in arr:
  print("x represents the 2-D array:")
  print(x)

x represents the 2-D array:
[[1 2 3]
 [4 5 6]]
x represents the 2-D array:
[[ 7  8  9]
 [10 11 12]]

برای برگرداندن مقادیر حقیقی، یعنی اسکالرها، ما باید آرایه‌ها را در هر بُعد تکرار کنیم. 

import numpy as np

arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])

for x in arr:
  for y in x:
    for z in y:
      print(z)

1
2
3
4
5
6
7
8
9
10
11
12

تکرار کردن آرایه‌ها با استفاده از nditer()

تابع nditer() یک تابع به درد بخور است که می‌توانیم از آن برای تکرارهای(iterations) بسیار ساده تا تکرارهای بسیار پیشرفته استفاده کنیم. این تابع برخی از مسائل ساده‌‌ای که در تکرار کردن(iteration) با آنها مواجه می‌شویم را حل می‌کند؛ اجازه دهید چند مثال را بررسی کنیم. 

تکرار کردن روی تمام عناصر اسکالر

در حلقه‌های ساده‌ی for، اگر بخواهیم روی هر اسکالر از آرایه تکرار بزنیم، نیاز داریم از n حلقه‎‌ی for استفاده کنیم که نوشتن آنها برای آرایه‌هایی که بُعدهای زیادی دارند، مشکل است. 

import numpy as np

arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

for x in np.nditer(arr):
  print(x)

1
2
3
4
5
6
7
8

تکرار کردن آرایه با نوعِ داده‌های مختلف

ما می‌توانیم از آرگومان op_dtypes استفاده کنیم و نوع داده‌ی دلخواه خود را به آن پاس بدهیم تا در هنگام تکرار کردن(iterating)، نوعِ داده‌ی عناصر را تغییر دهد. Nunpy نوعِ داده‌ی عنصر را در مکانی که قرار دارد(in-place) تغییر نمی‌دهد(چونکه این عنصر در آرایه قرار دارد)، بنابراین نیاز دارد در فضای دیگری این کار را انجام دهد. این فضای اضافی، بافر(buffer) نامیده می‌شود، و برای فعال کردن آن، عبارت flags=['buffered'] را به تابع nditer() پاس می‌دهیم. 

import numpy as np

arr = np.array([1, 2, 3])

for x in np.nditer(arr, flags=['buffered'], op_dtypes=['S']):
  print(x)

b'1'
b'2'
b'3'

تکرار کردن با استفاده از سایزهای متفاوتِ گام(Different Step Size)

ما می‌توانیم از فیلتر کردن و سپس تکرار استفاده کنیم.

import numpy as np

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

for x in np.nditer(arr[:, ::2]):
  print(x)

1
3
5
7

تکرارهای شمارش شده با استفاده از ndenumerate()

شمارش(Enumeration) یعنی مشخص کردن شماره‌ی دنباله‌ای از اعداد(somethings) به صورت یک به یک. گاهی اوقات، ما نیاز داریم در هنگام تکرار کردن(iterating)، به اندیس متناظرِ یک عنصر دسترسی داشته باشیم، با استفاده از متد ndenumerate() می‌توانیم برای این کار را انجام دهیم. 

import numpy as np

arr = np.array([1, 2, 3])

for idx, x in np.ndenumerate(arr):
  print(idx, x)

(0,) 1
(1,) 2
(2,) 3

import numpy as np

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

for idx, x in np.ndenumerate(arr):
  print(idx, x)

(0, 0) 1
(0, 1) 2
(0, 2) 3
(0, 3) 4
(1, 0) 5
(1, 1) 6
(1, 2) 7
(1, 3) 8

منبع: www.w3schools.com/python/numpy