Hordhac
Python waa luuqad barnaamijyo kala duwan leh oo si ballaaran loo isticmaalo dhinacyo kala duwan, oo ay ku jiraan falanqaynta xogta, sirdoonka macmal, iyo horumarinta webka. Mid ka mid ah maktabadaha muhiimka ah ee maaraynta xogta baaxadda leh ee Python waa bararsan. NumPy waxay bixisaa shay N-cabbir ah oo xoog badan, kaas oo awood noo siinaya inaan si sahlan u samayno hawlgallo xisaabeed oo adag. Mid ka mid ah hawlgallada muhiimka ah ee falanqaynta xogta waa kala qaybsanaan shaqo, kaas oo loo isticmaalo in loo qaybiyo xogta qaybo yaryar si loo sii falanqeeyo. Maqaalkan, waxaan u dhex geli doonaa ereyga iyo adeegsiga NumPy qaybsanaanta shaqada annagoo siinaya xal wax ku ool ah, sharraxaad-tallaabo ah, iyo ka doodista maktabadaha iyo shaqooyinka la xiriira.
Xalka dhibaatada:
Ka soo qaad in aanu hayno xog-ururin laga soo saaray bandhiga moodada oo aanu rabno in aanu falanqayno qaabab kala duwan, isbeddello, iyo midabyo kala duwan. Hadafkayagu waa in aan u kala qaadno xog-ururintan qaybo yaryar si aan u baarno. Si taas loo gaaro, waxaan isticmaali doonaa NumPy kala qaybinta shaqada.
import numpy as np
# Sample data (styles, trends, and colors)
data = np.array([["Bohemian", "Oversized", "Earthy"],
["Minimalist", "Tailored", "Monochrome"],
["Classic", "Simple", "Neutrals"],
["Romantic", "Flowy", "Pastels"]])
# Split the data into 2 equal parts using NumPy split function
split_data = np.split(data, 2)
Sharaxaada tallaabo-tallaabo ee koodka:
1. Waxaan ku bilaabaynaa soo dejinta maktabadda NumPy, kaas oo na siinaya hawlaha loo baahan yahay si loo maareeyo xogta baaxadda leh.
2. Waxaan markaas abuurnaa a muunad dataset oo leh qaabab fashion oo kala duwan, isbeddello, iyo naqshado midab leh. Xogta xogtani waa 2D NumPy.
3. Ugu dambeyntii, adigoo isticmaalaya NumPy kala qaybinta shaqada, waxaanu u qaybinay xogta xogta laba qaybood oo siman. Doorsoomiyaha 'Split_data' hadda waxa uu ka kooban yahay laba hannaan oo yaryar, oo mid walba leh kala badh xogta asalka ah.
Fahamka NumPy iyo shaqadeeda kala qaybsan
NumPy, oo loo soo gaabiyo Numeric Python, waa maktabad lagama maarmaan u ah fulinta hawlgallada nambarada ee Python. Waxaa si weyn loogu aqoonsan yahay N-qaabaynta shayga hufan, kaas oo u adeega sidii qalab awood leh oo loogu talagalay xisaabinta sayniska iyo falanqaynta xogta.
The NumPy kala qaybsantay function waxa loo isticmaalaa in lagu qaybiyo galinta array oo kala duwan oo ka yar arrayn oo ay la socdaan dhidibo cayiman. Shaqadani waxay faa'iido u yeelan kartaa in ay u kala jajabiso xog-ururinta waaweyn qaybo yaryar, oo la maarayn karo, taas oo sahlaysa in la sameeyo falanqayn gaar ah oo ku saabsan qaybo kala duwan oo xogta ah.
Shaqooyinka kale ee NumPy ee wax-ka-beddelka xogta
Marka laga reebo shaqada kala qaybsanaanta, NumPy waxa kale oo ay bixisaa dhowr hawlood oo kale oo loogu talagalay wax-ka-beddelka xogta, sida:
- dib u qaabayn: Shaqadan waxaa loo istcimaalaa in lagu beddelo qaabka array-ga la bixiyay iyada oo aan la beddelin xogta hoose. Waxaa loo isticmaali karaa in lagu beddelo array hal-cabbir ah oo loo beddelo array laba-cabbir ah ama lidkeeda.
- isku xidh: Shaqadan waxa loo istcmaalay in la isku daro laba ama in ka badan oo habab oo ay weheliyaan dhidibo cayiman. Waxay noqon kartaa mid waxtar leh marka la isku daro xogta ilo kala duwan.
- hstack: Hawshan waxa loo istcimaalayaa in lagu xidho habab toosan (column-wise) oo ay weheliyaan dhidib keliya. Waxay faa'iido u leedahay in lagu dhejiyo tiirarka array jira ama abuurista hannaan cusub adiga oo ku biiraya arraysyo badan oo dhinac ah.
- vstack: Si la mid ah hstack, shaqadan waxaa loo isticmaalaa in lagu xoojiyo arrayn toos ah (xikmad-socod) oo ay weheliyaan dhidib keliya. Waxay faa'iido u leedahay in lagu dhejiyo safafka array jira ama abuurista hannaan cusub adiga oo isku xiraya habab badan oo midba midka kale ah.
Gabagabadii, the NumPy kala qaybinta shaqada waa qalab lagama maarmaan u ah maaraynta xogta baaxadda leh ee Python. Markaan u qaybinno xog-ururinta qaybo yaryar, waxaan si hufan u lafaguri karnaa xog-hoosaadyo gaar ah oo aan soo saarno aragtiyo qiimo leh. Intaa waxaa dheer, fahamka shaqooyinka laxiriira iyo maktabadaha NumPy waxay sii caawin doontaa kor u qaadida awoodaha wax isdabamarinta xogtayada Python.
