Filtro numpy

Buscar elementos ou obter elementos de alguns dados é conhecido como filtragem. Numpy é o pacote que nos permite criar matrizes e armazenar qualquer tipo de dados na forma de uma matriz. Quando se trata de filtrar as matrizes enquanto trabalha com pacotes Numpy fornecidos pela Python, ele nos permite filtrar ou obter dados de matrizes usando funções internas fornecidas pela Numpy. Uma lista de índices booleanos, uma lista de booleanos correspondentes a posições de matriz, pode ser utilizada para filtrar matrizes. Se o elemento no índice da matriz for verdadeiro, ele será armazenado na matriz, a menos que o elemento seja excluído da matriz.

Suponhamos que tenhamos os dados dos alunos armazenados na forma de matrizes e queremos filtrar os alunos fracassados. Simplesmente filtraremos a matriz e excluiremos os alunos fracassados ​​e uma nova matriz do aluno aprovada será obtido.

Passos para filtrar uma matriz Numpy

Passo 1: Importando módulo Numpy.

Passo 2: Criando uma matriz.

Etapa 3: Adicione a condição de filtragem.

Passo 4: Crie uma nova matriz filtrada.

Sintaxe:

Existem várias maneiras de filtrar matrizes. Depende da condição do filtro, como se tivéssemos apenas uma condição ou tenhamos mais de uma condição.

Método 1: Para uma condição, seguiremos a seguinte sintaxe

Array [Array < condition]

Na sintaxe mencionada acima, "Array" é o nome da matriz da qual filtraremos os elementos. E a condição será o estado em que os elementos são filtrados e o operador “<” is the mathematical sign that represents less than. It is efficient to use it when we only have one condition or statement.

Método 2: Usando o operador "ou"

Array [(Array < condition1) | (array > condição2)]

Neste método, "Array" é o nome da matriz da qual filtraremos os valores e a condição é passada para ele. Operador “|” é usado para representar a função "ou", o que significa que, de ambas as condições, deve -se ser verdadeiro. É útil quando há duas condições.

Método 3: Usando o operador “e”.

Array [(Array < condition1) & (array > condição2)]

Na sintaxe seguinte, "Array" é o nome da matriz a ser filtrada. Considerando que a condição será o estado, conforme discutido na sintaxe acima, enquanto o operador usou “&” é o operador, o que significa que ambas as condições devem ser verdadeiras.

Método 4: Filtragem por valores listados

Array [NP.IN1D (Array, [Lista de valores])]

Neste método, passamos nossa matriz definida “NP.in1d ”, que é usado para comparar duas matrizes, se o elemento da matriz a ser filtrado está presente em outra matriz ou não. E a matriz é passada para o NP.função in1d que deve ser filtrada a partir da matriz dada.

Exemplo # 01:

Agora, vamos implementar o método discutido acima em um exemplo. Em primeiro lugar, incluiremos nossas bibliotecas Numpy fornecidas pela Python. Em seguida, criaremos uma matriz chamada "My_array" que manterá os valores "2", "3", "1", "9", "3", "5", "6" e "1". Em seguida, passaremos nosso código de filtro que é “my_array [(my_array < 5)]” to the print statement which means we are filtering the values that are less than “5”. In the next line, we created another array of name “array” that is responsible for having values “1”, “2”, “6”, “3”, “8”, “1” and “0”. To the print statement, we passed the condition that we will print the values that are greater than 5.

Por fim, criamos outra matriz que chamamos de "arr". Está mantendo os valores "6", "7", "10", "12" e "14". Agora, para esta matriz, imprimiremos o valor que não existe dentro da matriz para ver o que acontecerá se a condição não corresponder. Para fazer isso, passamos a condição que filtrará o valor igual ao valor "5".

importar numpy como np
my_array = np.Array ([2, 3, 1, 9, 3, 5, 2, 6, 1])
print ("valores menores que 5", my_array [(my_array < 5)])
Array = np.Array ([1, 2, 6, 3, 8, 1, 0])
print ("Valores maiores que 5", Array [(Array> 5)]))
arr = np.Array ([6, 7, 10, 12, 14]))
print ("valores iguais 5", arr [(arr == 5)]))

Depois de executar o código, temos a seguinte saída como resultado, na qual exibimos as 3 saídas que o primeiro é para os elementos menores que "5" na segunda execução, imprimimos os valores maiores que "5". No final, imprimimos o valor que não existe, pois podemos ver que não exibe nenhum erro, mas exibimos a matriz vazia, o que significa que o valor desejado não existe na matriz dada.

Exemplo # 02:

Nesse caso, usaremos alguns dos métodos em que podemos usar mais de uma condição para filtrar as matrizes. Para executá-lo, simplesmente importaremos a biblioteca Numpy e, em seguida, criaremos uma matriz unidimensional de tamanho "9" com valores "24", "3", "12", "9", "3", "5", "2", "6" e "7". Na próxima linha, usamos uma declaração de impressão para a qual passamos uma matriz que inicializamos com o nome "my_array" com a condição como argumento. Nisso, passamos a condição ou a condição que significa de ambos, uma condição deve ser verdadeira. Se os dois forem verdadeiros, ele exibirá os dados para as duas condições. Nesta condição, queremos imprimir os valores menores que "5" e maiores que "9". Na próxima linha, usamos o operador para verificar o que acontecerá se usarmos uma condição para filtrar a matriz. Nesta condição, exibimos valores maiores que "5" e menos que "9".

Importar numpy como np
my_array = np.Array ([24, 3, 12, 9, 3, 5, 2, 6, 7])
Imprima (“Valores inferiores a 5 ou mais de 9”, my_array [(my_array < 5) | (my_array > 9)])
Imprima (“Valores superiores a 5 e menos de 9”, my_array [(my_array> 5) & (my_array < 9)])

Conforme mostrado no trecho abaixo, nosso resultado para o código acima é exibido no qual filtramos a matriz e obtivemos o seguinte resultado. Como podemos ver os valores maiores que 9 e menos de 5 são exibidos na primeira saída e os valores entre 5 e 9 são negligenciados. Considerando que, na próxima linha, imprimimos os valores entre "5" e "9" que são "6" e "7". Os outros valores das matrizes não são exibidos.

Conclusão

Neste guia, discutimos brevemente o uso de métodos de filtro que são fornecidos pelo pacote Numpy. Implementamos vários exemplos para elaborar para você sobre a melhor maneira de implementar as metodologias de filtro fornecidas pela Numpy.