Supposons que nous ayons les données des étudiants stockées sous forme de tableaux et que nous voulions filtrer les étudiants ayant échoué. Nous allons simplement filtrer le tableau et exclure les étudiants ayant échoué et un nouveau tableau de l'étudiant réussi sera obtenu.
Étapes pour filtrer un tableau NumPy
Étape 1: Importation du module NumPy.
Étape 2: Création d'un tableau.
Étape 3: Ajouter une condition de filtrage.
Étape 4: Créez un nouveau tableau filtré.
Syntaxe:
Il existe plusieurs façons de filtrer les tableaux. Cela dépend de l'état du filtre, comme si nous n'avions qu'une seule condition ou si nous en avions plus d'une.
Méthode 1 : Pour une condition, nous suivrons la syntaxe suivante
déployer [ déployer < condition ]Dans la syntaxe évoquée ci-dessus, « array » est le nom du tableau dont on va filtrer les éléments. Et la condition sera l'état sur lequel les éléments sont filtrés et l'opérateur '<' est le signe mathématique qui représente moins que. Il est efficace de l'utiliser lorsque nous n'avons qu'une seule condition ou déclaration.
Méthode 2 : Utilisation de l'opérateur 'OU'
déployer [ ( déployer < condition1 ) | ( déployer > condition2 ) ]Dans cette méthode, 'tableau' est le nom du tableau à partir duquel nous allons filtrer les valeurs et la condition lui est transmise. Opérateur '|' est utilisé pour représenter la fonction 'OU', ce qui signifie que l'une des deux conditions doit être vraie. C'est utile quand il y a deux conditions.
Méthode 3 : Utilisation de l'opérateur « ET ».
déployer [ ( déployer < condition1 ) & ( déployer > condition2 ) ]Dans la syntaxe suivante, 'tableau' est le nom du tableau à filtrer. Alors que la condition sera l'état tel que discuté dans la syntaxe ci-dessus tandis que l'opérateur utilisé '&' est l'opérateur ET, ce qui signifie que la condition doit être vraie.
Méthode 4 : Filtrage par valeurs répertoriées
déployer [ par exemple. in1d ( déployer , [ Liste de valeurs ] ) ]Dans cette méthode, nous avons passé notre tableau défini 'np.in1d' qui est utilisé pour comparer deux tableaux si l'élément du tableau qui doit être filtré est présent dans un autre tableau ou non. Et le tableau est passé à la fonction np.in1d qui doit être filtrée du tableau donné.
Exemple #01 :
Maintenant, implémentons la méthode décrite ci-dessus dans un exemple. Tout d'abord, nous allons inclure nos bibliothèques NumPy fournies par Python. Ensuite, nous allons créer un tableau nommé 'my_array' qui contiendra les valeurs '2', '3', '1', '9', '3', '5', '6' et '1'. Ensuite, nous passerons notre code de filtre qui est 'my_array[(my_array < 5)]' à l'instruction d'impression, ce qui signifie que nous filtrons les valeurs inférieures à '5'. Dans la ligne suivante, nous avons créé un autre tableau de nom 'tableau' qui est chargé d'avoir les valeurs '1', '2', '6', '3', '8', '1' et '0'. À l'instruction d'impression, nous avons passé la condition selon laquelle nous imprimerons les valeurs supérieures à 5.
Enfin, nous avons créé un autre tableau que nous avons nommé « arr ». Il contient les valeurs '6', '7', '10', '12' et '14'. Maintenant, pour ce tableau, nous allons imprimer la valeur qui n'existe pas dans le tableau pour voir ce qui se passera si la condition ne correspond pas. Pour cela, nous avons passé la condition qui filtrera la valeur égale à la valeur « 5 ».
importer numpy comme par exemple.my_array = par exemple. déployer ( [ deux , 3 , 1 , 9 , 3 , 5 , deux , 6 , 1 ] )
imprimer ( 'valeurs inférieures à 5' , my_array [ ( my_array < 5 ) ] )
déployer = par exemple. déployer ( [ 1 , deux , 6 , 3 , 8 , 1 , 0 ] )
imprimer ( 'valeurs supérieures à 5' , déployer [ ( déployer > 5 ) ] )
arr = par exemple. déployer ( [ 6 , sept , dix , 12 , 14 ] )
imprimer ( 'valeurs égales à 5' , arr [ ( arr == 5 ) ] )
Après avoir exécuté le code, nous avons la sortie suivante en conséquence, dans laquelle nous avons affiché les 3 sorties la première est pour les éléments inférieurs à '5' dans la deuxième exécution nous avons imprimé les valeurs supérieures à '5'. À la fin, nous avons imprimé la valeur qui n'existe pas car nous pouvons voir qu'elle n'affiche aucune erreur mais affiche le tableau vide, ce qui signifie que la valeur souhaitée n'existe pas dans le tableau donné.
Exemple #02 :
Dans ce cas, nous utiliserons certaines des méthodes dans lesquelles nous pouvons utiliser plusieurs conditions pour filtrer les tableaux. Pour le réaliser, nous allons simplement importer la librairie NumPy puis créer un tableau unidimensionnel de taille « 9 » ayant les valeurs « 24 », « 3 », « 12 », « 9 », « 3 », « 5 », '2', '6' et '7'. Dans la ligne suivante, nous avons utilisé une instruction print à laquelle nous avons passé un tableau que nous avons initialisé avec le nom 'my_array' avec la condition comme argument. En cela, nous avons passé la condition ou qui signifie à partir des deux, une condition doit être vraie. Si les deux sont vrais, il affichera les données pour les deux conditions. Dans cette condition, nous voulons imprimer les valeurs inférieures à '5' et supérieures à '9'. Dans la ligne suivante, nous avons utilisé l'opérateur AND pour vérifier ce qui se passera si nous utilisons une condition pour filtrer le tableau. Dans cette condition, nous avons affiché des valeurs supérieures à « 5 » et inférieures à « 9 ».
Importer numpy comme par exemple.my_array = par exemple. déployer ( [ 24 , 3 , 12 , 9 , 3 , 5 , deux , 6 , sept ] )
imprimer ( 'valeurs inférieures à 5 ou plus grand que 9 ” , my_array [ ( my_array < 5 ) | ( my_array > 9 ) ] )
imprimer ( 'valeurs supérieures à 5 et moins que 9 ” , my_array [ ( my_array > 5 ) & ( my_array < 9 ) ] )
Comme indiqué dans l'extrait ci-dessous, notre résultat pour le code ci-dessus est affiché dans lequel nous avons filtré le tableau et obtenu le résultat suivant. Comme nous pouvons le voir, les valeurs supérieures à 9 et inférieures à 5 sont affichées dans la première sortie et les valeurs comprises entre 5 et 9 sont négligées. Alors que, dans la ligne suivante, nous avons imprimé les valeurs entre « 5 » et « 9 » qui sont « 6 » et « 7 ». Les autres valeurs des tableaux ne sont pas affichées.
Conclusion
Dans ce guide, nous avons brièvement discuté de l'utilisation des méthodes de filtrage fournies par le package NumPy. Nous avons implémenté plusieurs exemples pour vous expliquer la meilleure façon d'implémenter les méthodologies de filtrage fournies par numpy.