தீர்க்கப்பட்டது: NumPy பேக்பிட் குறியீடு பேக் செய்யப்பட்ட வரிசை அச்சில் 1

NumPy என்பது பைத்தானில் உள்ள ஒரு சக்திவாய்ந்த நூலகமாகும், இது வரிசை மற்றும் மேட்ரிக்ஸ் தரவு கட்டமைப்புகளில் எண் கணக்கீடுகளுக்கு பரவலாகப் பயன்படுத்தப்படுகிறது. இது வழங்கும் பல செயல்பாடுகளில் ஒன்று பேக்பிட்கள், இது ஒரு குறிப்பிட்ட அச்சில் பைனரி தரவை திறமையாக குறியாக்கம் செய்ய உங்களை அனுமதிக்கிறது. இந்த கட்டுரையில், அச்சு 1 உடன் NumPy இன் பேக்பிட் செயல்பாட்டைப் பயன்படுத்துவதை ஆராய்வோம், மேலும் அதன் நுட்பங்கள் மற்றும் பயன்பாடுகளைப் பற்றி விவாதிப்போம். வழியில், நாங்கள் தொடர்புடைய நூலகங்கள் மற்றும் செயல்பாடுகளை ஆராய்வோம்.

NumPy இன் பேக்பிட் செயல்பாட்டைப் புரிந்துகொள்வது

தி பேக்பிட்கள் NumPy இன் செயல்பாடு என்பது பிட்களின் குழுக்களை ஒன்றாக பேக் செய்வதன் மூலம் பைனரி தரவை சுருக்க வடிவமைக்கப்பட்ட ஒரு கருவியாகும். பைனரி தரவுகளின் பெரிய தொகுப்புகளுடன் பணிபுரியும் போது இது மிகவும் பயனுள்ளதாக இருக்கும், ஏனெனில் இது நினைவக பயன்பாட்டை வெகுவாகக் குறைக்கும் மற்றும் உங்கள் குறியீட்டின் செயல்திறனை மேம்படுத்தும். இந்த செயல்பாடு ஒரு குறிப்பிட்ட அச்சில் செயல்படுகிறது, இது பிட்கள் நிரம்பிய திசையைக் கட்டுப்படுத்த உங்களை அனுமதிக்கிறது.

import numpy as np

# Example binary data array
binary_data = np.array([[0, 1, 1, 0, 1, 1, 1, 1],
                        [1, 0, 0, 1, 0, 0, 0, 1]])

packed_data = np.packbits(binary_data, axis=1)
print(packed_data)

மேலே உள்ள குறியீடு, பைனரி தரவை அச்சு 1 உடன் பேக் செய்ய பேக்பிட் செயல்பாட்டின் பயன்பாட்டை விளக்குகிறது. அச்சு 1 ஐக் குறிப்பிடுவதன் மூலம், உள்ளீட்டு வரிசையின் நெடுவரிசைகளில் பிட்களை பேக் செய்ய NumPy க்கு அறிவுறுத்துகிறோம்.

குறியீட்டின் படிப்படியான விளக்கம்

1. முதலில், “np” என்ற மாற்றுப்பெயருடன் NumPy நூலகத்தை இறக்குமதி செய்கிறோம்:

import numpy as np

2. அடுத்து, ஒரு உதாரணம் 2D பைனரி தரவு வரிசையை உருவாக்குகிறோம், அங்கு ஒவ்வொரு உறுப்பு 0 அல்லது 1 ஆக இருக்கலாம்:

binary_data = np.array([[0, 1, 1, 0, 1, 1, 1, 1],
                        [1, 0, 0, 1, 0, 0, 0, 1]])

3. பைனரி டேட்டாவை அச்சில் 1 பேக் செய்ய பேக்பிட்ஸ் செயல்பாட்டை அழைக்கிறோம்:

packed_data = np.packbits(binary_data, axis=1)

4. இறுதியாக, இதன் விளைவாக பேக் செய்யப்பட்ட தரவு வரிசையை அச்சிடுகிறோம்:

print(packed_data)

இந்தக் குறியீட்டின் வெளியீடு, பேக் செய்யப்பட்ட பைனரி தரவைக் கொண்ட 2டி அணிவரிசையாக இருக்கும்:

[[179 241]
[137 17]]

இதன் பொருள் அசல் பைனரி தரவு குறிப்பிட்ட அச்சில் திறமையாக நிரம்பியுள்ளது, இது குறைக்கப்பட்ட நினைவக பயன்பாடு மற்றும் செயல்திறனை அதிகரிக்க அனுமதிக்கிறது.

தொடர்புடைய நூலகங்களில் இதே போன்ற செயல்பாடுகள்

பேக்பிட்களுக்கு அப்பால், இதே போன்ற செயல்பாடுகளை வழங்கும் பிற செயல்பாடுகள் மற்றும் நூலகங்களும் உள்ளன. சில எடுத்துக்காட்டுகள் அடங்கும்:

பைத்தானின் உள்ளமைக்கப்பட்ட பைனாசி நூலகம்

தி பினாசி நூலகம் பைத்தானின் நிலையான நூலகத்தின் ஒரு பகுதியாகும் மற்றும் பைனரி மற்றும் பல்வேறு ASCII-குறியீடு செய்யப்பட்ட பைனரி பிரதிநிதித்துவங்களை மாற்றுவதற்கான வழிமுறைகளை வழங்குகிறது. இது வழங்கும் செயல்பாடுகளில் ஒன்று ஹெக்ஸ்லிஃபை, இது பைனரி தரவை ஹெக்ஸாடெசிமல் சரம் பிரதிநிதித்துவமாக மாற்ற பயன்படுகிறது.

import binascii

binary_data = b'x00x01x01x00'
hex_data = binascii.hexlify(binary_data)
print(hex_data)

இந்த எடுத்துக்காட்டில், பைனரி தரவைக் கொண்ட பைட்ஸ் பொருளை ஹெக்ஸாடெசிமல் சரம் பிரதிநிதித்துவமாக மாற்ற binascii.hexlify செயல்பாடு பயன்படுத்தப்படுகிறது.

பிடரே நூலகம்

பைனரி தரவுகளுடன் பணிபுரிய பயனுள்ளதாக இருக்கும் மற்றொரு நூலகம் பிடார்ரே நூலகம். இந்த நூலகம் திறமையான பிட் வரிசை தரவு கட்டமைப்பை வழங்குகிறது, இது பெரிய பிட் வரிசைகளை கையாளவும் சேமிக்கவும் பயன்படுகிறது.

from bitarray import bitarray

binary_data = '01101111 10010001'
bit_array = bitarray(binary_data)
packed_data = bit_array.tobytes()
print(packed_data)

இந்த எடுத்துக்காட்டில், பைனரி சரத்திலிருந்து ஒரு பிடார்ரே பொருளை உருவாக்கி, டோபைட்ஸ் முறையைப் பயன்படுத்தி பேக் செய்யப்பட்ட தரவை பைட்ஸ் பொருளாகப் பெறுவோம்.

முடிவில், NumPy இன் பேக்பிட்கள் செயல்பாடு ஒரு குறிப்பிட்ட அச்சில் பைனரி தரவை குறியாக்கம் செய்வதற்கான ஒரு மதிப்புமிக்க கருவியாகும். கூடுதலாக, பைனரி லைப்ரரி மற்றும் பிடார்ரே லைப்ரரி போன்ற பிற நூலகங்கள் மற்றும் செயல்பாடுகள் உள்ளன, அவை பைனரி தரவுகளுடன் பணிபுரிய உங்களுக்கு உதவும்.