numpy 列表篩選及解方程式

當對array陣列進行計算時，有時候需要篩選出題目所要求的資料，篩選物件可能是數字，也可能是字串。這次我就來說說如何針對字串進行篩選。

當有乙個列表[['男', '2', '4', '40'], ["女",21,13,50],['男', '8', '6', '24']]，要求解「男」方程式，也就是我們需要將含有字串「男」的列表資料調出來，即將含有字串「女」的列表刪去。這一步我們需要用到函式np.delete()。

很容易就能想到如下方法：

bbb=np.array([['

男', '
2', '
4', '
40'], ["
女",21,13,50],['
男', '
8', '
6', '24'
]])x,y=np.shape(bbb)
for i in
range(x):
if bbb[0,i]!="男":
bbb=np.delete(bbb,i,axis=0)

bbb=np.array([['

男', '
2', '
4', '
40'], ["
女",21,13,50],['
男', '
8', '
6', '24'
]])x,y=np.shape(bbb)
for i in
range(x):
print
(i)    
if bbb[0,i]!="男":
print("
yes"
)

bbb=np.delete(bbb,i,axis=0)

aaa=bbb=="女"

我覺得可能是array陣列對資料的誤判，我將array轉換成list後解決了該問題，成功篩選出"男"資料列：
aaa=bbb=="女"

aaa=aaa.tolist()
for i in
range(x):
print
(i)    
if aaa[i][0]!=false:
print("
yes"
)        bbb=np.delete(bbb,i,axis=0)
執行後程式正確輸出yes

輸出bbb顯示結果為：
接下來就是進行方程式的運算，前兩個數為x,y的係數，最後乙個數為常數，將資料單獨取出來並進行運算：
b=np.array(bbb[:,3:4])

a=np.array(bbb[:,1:3])
result=linalg.solve(a,b)
執行後發現程式報錯，輸出bbb發現資料型別為「

b=np.array(bbb[:,3:4],dtype="

int32")
a=np.array(bbb[:,1:3],dtype="
int32")
linalg.solve(a,b)
程式成功執行並得到正確結果：

但是這種方法有個缺陷，即列表中沒有「男」資料或只有乙個資料列時，程式會報錯。
此時我們需要定義乙個數得到bbb的shape的長度：
c=np.shape(bbb)

cc=len(c)
在給x,y賦值np.shape(bbb)前加入如上**，判斷cc長度為2，1或0，當判斷為2時，執行之前的**；為1則只給x賦值；為0直接返回空陣列。**如下：

bbb=np.array([['

男', '
2', '
4', '
40'], ["
女",21,13,50],['
男', '
8', '
6', '24'
]])result=
c=np.shape(bbb)
cc=len(c)
if cc==2:
x,y=np.shape(bbb)
for i in
range(x):
print
(i)        
if bbb[0,i]!="男"
:            
print("
yes"
)            bbb=np.delete(bbb,i,axis=0)
d=np.shape(bbb)
dd=len(d)
if dd==2:
b=np.array(bbb[:,3:4],dtype="
int32")
a=np.array(bbb[:,1:3],dtype="
int32")
result=linalg.solve(a,b)
else
:        
return result=
else
:    
return result=
執行結果正確，到這裡我們就完成了資料的篩選即方程式的運算。
				
篩選分類列表展示
接著昨天未完成的部分，下面接著實現，當篩選之後下面對應出現相關型別的內容。話不多說，先上效果圖。資料庫設計 文章表的sortid欄位關聯分類表的id,type id關聯type表字段。填充資料大致如下，如果不清楚sortid，和type id請移步至昨天我的另一篇部落格 php實現類似慕課網，php...
				
Numpy攻略 用埃氏篩篩選
埃氏篩 篩選質數的一種演算法，用迭代的方式識別出已經找到的質數的倍數，能高效地篩選出小於一千萬的質數。讓我們去試著尋找10001個質數。具體步驟如下 1.建立乙個連續的整數列表 用arange函式 2.篩選出p的倍數 完整 如下圖 import numpy lim 10 6 n 10 9 p 100...
				
numpy匯入資料集無法對列分割問題及解決方法
三 參考資料 在對cm1資料集 用於defect prediction 預處理的時候，加上label一共是38個特徵，前37個是數字，label是，載入資料集後例項以元組儲存在陣列中，無法通過切片獲取前37個特徵。載入資料集的 如下 import numpy as np from math impo...