မကြာသေးမီနှစ်များအတွင်း၊ နယ်ပယ်အသီးသီးတွင် Python ကိုအသုံးပြုမှုသည် အထူးသဖြင့် data manipulation နှင့် scientific computing နယ်ပယ်တွင် အဆများစွာ ကျယ်ပြန့်လာသည်။ ဤလုပ်ငန်းဆောင်တာများအတွက် အသုံးအများဆုံးစာကြည့်တိုက်များထဲမှတစ်ခုမှာ NumPy ဖြစ်သည်။ NumPy သည် အခြားသင်္ချာလုပ်ဆောင်ချက်များကြားတွင် ကြီးမားသော၊ ဘက်စုံအခင်းအကျင်းများနှင့် မက်ထရစ်များနှင့်အတူ လုပ်ဆောင်ရန်အတွက် ကျယ်ပြန့်စွာအသုံးပြုထားသည့် အစွမ်းထက်ပြီး စွယ်စုံရစာကြည့်တိုက်တစ်ခုဖြစ်သည်။ ဤဒေတာဖွဲ့စည်းပုံများနှင့် လုပ်ဆောင်ရာတွင် ဘုံလုပ်ဆောင်မှုတစ်ခုမှာ array တစ်ခု၏ နောက်ဆုံးအတိုင်းအတာကို ပြိုကျရန် သို့မဟုတ် လျှော့ချရန် လိုအပ်သည်။ ဤဆောင်းပါးတွင်၊ ပြဿနာကို နိဒါန်းတစ်ခုမှ စတင်ကာ၊ ဖြေရှင်းချက်နှင့်အတူ၊ နှင့် ကုဒ်၏ အဆင့်ဆင့် ရှင်းပြချက်တို့ကို ဤဆောင်းပါးတွင် အသေးစိတ် လေ့လာပါမည်။ နောက်ဆုံးတွင်၊ ကျွန်ုပ်တို့သည် စိတ်ဝင်စားဖွယ်ကောင်းသော ဆက်စပ်အကြောင်းအရာများနှင့် စာကြည့်တိုက်များကို စူးစမ်းလေ့လာပါမည်။
လိုအပ်ချက် နောက်ဆုံးအတိုင်းအတာကို ဖျက်ပါ။ multidimensional array တစ်ခုမှ ရလဒ်ကို တွက်ချက်ပြီး ဒေတာကို ပိုမိုရိုးရှင်းပြီး လျှော့ချထားသော ကိုယ်စားပြုမှုကို ရယူလိုသောအခါကဲ့သို့သော array တစ်ခု၏ အခြေအနေအမျိုးမျိုးတွင် ဖြစ်ပေါ်လာနိုင်သည်။ ဤလုပ်ဆောင်ချက်သည် အခြေခံအားဖြင့် မူရင်းအခင်းအကျင်းကို ၎င်း၏ဝင်ရိုးတစ်လျှောက်ရှိ နောက်ဆုံးအတိုင်းအတာကို ဖယ်ထုတ်ရန် သို့မဟုတ် ပြိုကျစေခြင်းဖြင့် အနည်းငယ်သောအတိုင်းအတာတစ်ခုအဖြစ်သို့ ပြောင်းလဲခြင်းပါဝင်သည်။
မာတိကာ
ဖြေရှင်းချက်- np.squeeze ကိုအသုံးပြုခြင်း။
ဒီပြဿနာကို ကိုင်တွယ်ဖြေရှင်းဖို့ နည်းလမ်းတွေထဲက တစ်ခုကတော့ ဆော့ဖ်ဝဲကို အသုံးပြုခြင်းပါပဲ။ numpy.ညှစ် လုပ်ဆောင်ချက်။ ဤလုပ်ဆောင်ချက်သည် input array ၏ပုံသဏ္ဍာန်မှ single-dimensional entry များကိုဖယ်ရှားသည်။
import numpy as np
arr = np.random.rand(2, 3, 1)
print("Original array shape:", arr.shape)
collapsed_arr = np.squeeze(arr, axis=-1)
print("Collapsed array shape:", collapsed_arr.shape)
အဆင့်ဆင့် ရှင်းလင်းချက်
ယခု ကျွန်ုပ်တို့သည် ကုဒ်ကို ခွဲခြမ်းပြီး ၎င်းအလုပ်လုပ်ပုံကို နားလည်ကြပါစို့။
1. ပထမဦးစွာ၊ ကျွန်ုပ်တို့သည် NumPy စာကြည့်တိုက်ကို np အဖြစ် ထည့်သွင်းပါ။
import numpy as np
2. ထို့နောက်၊ ပုံသဏ္ဍာန်ဖြင့် ကျပန်း (3၊ 2၊ 3) ကို ဖန်တီးပါသည်။
arr = np.random.rand(2, 3, 1)
print("Original array shape:", arr.shape)
3. ယခုကျွန်ုပ်တို့အသုံးပြုသည်။ np.ညှစ် array ကိုသတ်မှတ်ခြင်းဖြင့် နောက်ဆုံးအတိုင်းအတာကို ပြိုကျစေရန် လုပ်ဆောင်မှု ဝငျရိုးကွောငျး ကန့်သတ်ချက်-၁-
collapsed_arr = np.squeeze(arr, axis=-1)
print("Collapsed array shape:", collapsed_arr.shape)
4. ရလဒ်အနေဖြင့်၊ နောက်ဆုံးအတိုင်းအတာကို အောင်မြင်စွာ ပြိုကျသွားကြောင်း ညွှန်ပြသော (2၊ 3) ပုံသဏ္ဍာန်ရှိသော ခင်းကျင်းအသစ်တစ်ခုကို ကျွန်ုပ်တို့ရရှိခဲ့ပါသည်။
အစားထိုးဖြေရှင်းချက်- ပြန်လည်ပုံဖော်ပါ။
နောက်ဆုံးအတိုင်းအတာကို ပြိုကျရန် နောက်တစ်နည်းမှာ အဆိုပါကို အသုံးပြုခြင်းဖြင့် ဖြစ်သည်။ numpy.reshape လိုချင်သောရလဒ်ကိုရရှိရန် သင့်လျော်သော parameters များဖြင့်လုပ်ဆောင်ပါ။
collapsed_arr_reshape = arr.reshape(2, 3)
print("Collapsed array shape using reshape:", collapsed_arr_reshape.shape)
ဤကိစ္စတွင်၊ ကျွန်ုပ်တို့သည် နောက်ဆုံးအတိုင်းအတာကို ထိထိရောက်ရောက် ပြိုကျစေရန် (2၊ 3) ပုံသဏ္ဍာန်ရှိရန် မူရင်းအခင်းအကျင်းကို ပြတ်သားစွာ ပြန်လည်ပုံဖော်ထားသည်။
ဆက်စပ်စာကြည့်တိုက်များနှင့် လုပ်ဆောင်ချက်များ
NumPy မှလွဲ၍ arrays နှင့် matrices များနှင့်အတူအလုပ်လုပ်ရန်ကိရိယာများကိုပေးဆောင်သော Python ဂေဟစနစ်ရှိအခြားစာကြည့်တိုက်များစွာရှိသည်။ အဲ့ဒီလို စာကြည့်တိုက်တစ်ခုပေါ့။ သိပ္ပံNumPy ကိုတည်ဆောက်ပြီး သိပ္ပံနည်းကျတွက်ချက်ခြင်းအတွက် နောက်ထပ်လုပ်ဆောင်နိုင်စွမ်းကို ထောက်ပံ့ပေးသည်။ စက်သင်ယူမှုနယ်ပယ်တွင် စာကြည့်တိုက် TensorFlow တင်းဆာများ (ဆိုလိုသည်မှာ၊ ဘက်စုံအခင်းအကျင်းများ) နှင့်လည်း အလုပ်လုပ်ပြီး ၎င်း၏ကိုယ်ပိုင် matrix ခြယ်လှယ်မှုဆိုင်ရာ လုပ်ဆောင်ချက်များကို ပံ့ပိုးပေးပါသည်။ ထို့ အပြင်၊ ပန်ဒါ စာကြည့်တိုက်ကို ကိုင်တွယ်အသုံးပြုနိုင်ပါတယ်။ ဒေတာဘောင်များarray များပါရှိသော ဇယားများအဖြစ် ယူဆနိုင်သော အဆင့်မြင့် ဒေတာဖွဲ့စည်းပုံ။ ထိုမျှသာမက၊ numpy.newaxis လုပ်ဆောင်ချက်သည် သင့်အား လုပ်ဆောင်ချက်တစ်ခုအတွက် လိုအပ်သည့်ပုံသဏ္ဍာန်နှင့်ကိုက်ညီစေရန် array တစ်ခု၏အတိုင်းအတာများကို ချဲ့ထွင်ရန်လိုအပ်သည့်အခါတွင် အသုံးဝင်နိုင်စေမည့် array တစ်ခုသို့ ဝင်ရိုးအသစ်တစ်ခုကို ထည့်သွင်းနိုင်စေမည်ဖြစ်သည်။
နိဂုံးချုပ်အနေဖြင့်၊ arrays များကို ထိထိရောက်ရောက် ကိုင်တွယ်လုပ်ဆောင်နိုင်မှုသည် programming နှင့် data science လောကတွင် မရှိမဖြစ်လိုအပ်သောကျွမ်းကျင်မှုတစ်ခုဖြစ်သည်။ NumPy သည် အလွန်အစွမ်းထက်သော စာကြည့်တိုက်တစ်ခုဖြစ်ပြီး ကြီးမားပြီး ရှုပ်ထွေးသောဒေတာအတွဲများကို ကိုင်တွယ်ဖြေရှင်းရာတွင် နောက်ဆုံးအတိုင်းအတာကို ပြိုကျစေခြင်းကဲ့သို့သော နားလည်မှုနည်းစနစ်များသည် ကြီးမားပြီး ရှုပ်ထွေးသောအခြေအနေများတွင် အကျိုးရှိမည်ဖြစ်သည်။
