数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法学返回两个带掩码的三维 NumPy 数组的外积
要返回两个三维掩码数组的外积，请在 Python NumPy 中使用 **ma.outer()** 方法。第一个参数是输入向量。如果输入不是一维的，则会将其展平。第二个参数是第二个输入向量。如果输入不是一维的，则会将其展平。
掩码数组是标准 numpy.ndarray 和掩码的组合。掩码要么是 nomask（表示关联数组的没有值无效），要么是一个布尔数组，它决定关联数组的每个元素的值是否有效。
步骤
首先，导入所需的库：
import numpy as np
使用 numpy.arange() 方法创建 Array1，这是一个包含整型元素的三维数组：
arr1 = np.arange(24).reshape((2,3,4))
print("Array1...
", arr1)
print("
Array type...
", arr1.dtype)创建掩码数组 1：
arr1 = ma.array(arr1)
掩码数组 1：
arr1[0, 0, 1] = ma.masked
显示掩码数组 1：
print("
Masked Array1...
",arr1)
使用 numpy.arange() 方法创建另一个包含整型元素的三维数组 Array2：
arr2 = np.arange(24).reshape((2,3,4))
print("
Array2...
", arr2)
print("
Array type...
", arr2.dtype)创建掩码数组 2：
arr2 = ma.array(arr2)
掩码数组 2：
arr2[0, 1, 2] = ma.masked arr2[1, 2, 2] = ma.masked
显示掩码数组 2：
print("
Masked Array2...
",arr2)
要返回两个掩码数组的外积，请在 Python NumPy 中使用 ma.outer() 方法。
print("
Result of outer product (3D arrays)...
",np.ma.outer(arr1, arr2))示例
import numpy as np
import numpy.ma as ma
# Array 1
# Creating a 3D array with int elements using the numpy.arange() method
arr1 = np.arange(24).reshape((2,3,4))
print("Array1...
", arr1)
print("
Array type...
", arr1.dtype)
# Get the dimensions of the Array
print("
Array Dimensions...
",arr1.ndim)
# Get the shape of the Array
print("
Our Array Shape...
",arr1.shape)
# Get the number of elements of the Array
print("
Elements in the Array...
",arr1.size)
# Create a masked array
arr1 = ma.array(arr1)
# Mask Array1
arr1[0, 0, 1] = ma.masked
# Display Masked Array 1
print("
Masked Array1...
",arr1)
# Array 2
# Creating another 3D array with int elements using the numpy.arange() method
arr2 = np.arange(24).reshape((2,3,4))
print("
Array2...
", arr2)
print("
Array type...
", arr2.dtype)
# Get the dimensions of the Array
print("
Array Dimensions...
",arr2.ndim)
# Get the shape of the Array
print("
Our Array Shape...
",arr2.shape)
# Get the number of elements of the Array
print("
Elements in the Array...
",arr2.size)
# Create a masked array
arr2 = ma.array(arr2)
# Mask Array2
arr2[0, 1, 2] = ma.masked
arr2[1, 2, 2] = ma.masked
# Display Masked Array 2
print("
Masked Array2...
",arr2)
# To return the outer product of two masked arrays, use the ma.outer() method in Python Numpy
print("
Result of outer product (3D arrays)...
",np.ma.outer(arr1, arr2))输出
Array1... [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] Array type... int64 Array Dimensions... 3 Our Array Shape... (2, 3, 4) Elements in the Array... 24 Masked Array1... [[[0 -- 2 3] [4 5 6 7] [8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] Array2... [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]] Array type... int64 Array Dimensions... 3 Our Array Shape... (2, 3, 4) Elements in the Array... 24 Masked Array2... [[[0 1 2 3] [4 5 -- 7] [8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 -- 23]]] Result of outer product (3D arrays)... [[0 0 0 0 0 0 -- 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -- 0] [-- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- --] [0 2 4 6 8 10 -- 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 -- 46] [0 3 6 9 12 15 -- 21 24 27 30 33 36 39 42 45 48 51 54 57 60 63 -- 69] [0 4 8 12 16 20 -- 28 32 36 40 44 48 52 56 60 64 68 72 76 80 84 -- 92] [0 5 10 15 20 25 -- 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 -- 115] [0 6 12 18 24 30 -- 42 48 54 60 66 72 78 84 90 96 102 108 114 120 126 -- 138] [0 7 14 21 28 35 -- 49 56 63 70 77 84 91 98 105 112 119 126 133 140 147 -- 161] [0 8 16 24 32 40 -- 56 64 72 80 88 96 104 112 120 128 136 144 152 160 168 -- 184] [0 9 18 27 36 45 -- 63 72 81 90 99 108 117 126 135 144 153 162 171 180 189 -- 207] [0 10 20 30 40 50 -- 70 80 90 100 110 120 130 140 150 160 170 180 190 200 210 -- 230] [0 11 22 33 44 55 -- 77 88 99 110 121 132 143 154 165 176 187 198 209 220 231 -- 253] [0 12 24 36 48 60 -- 84 96 108 120 132 144 156 168 180 192 204 216 228 240 252 -- 276] [0 13 26 39 52 65 -- 91 104 117 130 143 156 169 182 195 208 221 234 247 260 273 -- 299] [0 14 28 42 56 70 -- 98 112 126 140 154 168 182 196 210 224 238 252 266 280 294 -- 322] [0 15 30 45 60 75 -- 105 120 135 150 165 180 195 210 225 240 255 270 285 300 315 -- 345] [0 16 32 48 64 80 -- 112 128 144 160 176 192 208 224 240 256 272 288 304 320 336 -- 368] [0 17 34 51 68 85 -- 119 136 153 170 187 204 221 238 255 272 289 306 323 340 357 -- 391] [0 18 36 54 72 90 -- 126 144 162 180 198 216 234 252 270 288 306 324 342 360 378 -- 414] [0 19 38 57 76 95 -- 133 152 171 190 209 228 247 266 285 304 323 342 361 380 399 -- 437] [0 20 40 60 80 100 -- 140 160 180 200 220 240 260 280 300 320 340 360 380 400 420 -- 460] [0 21 42 63 84 105 -- 147 168 189 210 231 252 273 294 315 336 357 378 399 420 441 -- 483] [0 22 44 66 88 110 -- 154 176 198 220 242 264 286 308 330 352 374 396 418 440 462 -- 506] [0 23 46 69 92 115 -- 161 184 207 230 253 276 299 322 345 368 391 414 437 460 483 -- 529]]
更新于：2022年2月22日
231 次浏览
广告