Numpy logical_and

Wie andere Frameworks und Sprachen unterstützt Numpy auch logische Operatoren und ihre Operationen wie usw. oder usw. In diesem Numpy -Handbuch werden wir die Numpy "Logical_and" -Operation diskutieren. Logical_and -Operator berechnet den Wahrheitswert von A1 und A2 Elementweise. Der NP.Logical_and () -Methode ist eine mathematische Array -Methode, mit der die Ausgabe von Xi und Yi für jede Komponente XI von Array1 über Element yi von Array2 berechnet wird. Es gibt uns die Ausgabe in einer Array -Form. Für die NP.logical_and () Funktion zur Arbeit, wir müssen sie an die Eingangsarrays derselben Form weitergeben

Syntax

Dies ist die Syntax für unsere Methode.

Numpy.logical_and (x1, x2, out = keine, wobei = true, dType = keine)

Es hat die folgenden Parameter

x1, x2 sind die Eingangsarrays. Diese beiden müssen in der gleichen Form sein, die auch die gleiche wie die Ausgabe entspricht.

aus ist der Ort, an dem die Ausgabe gespeichert wird. Wir können die Form manuell zur Verfügung stellen, da sie sonst eine frische Array zuteilt.

Wo ist eine Bedingung, die ein optionaler Parameter ist. Wenn die Bedingung wahr ist, wird das Ergebnisarray, das das Out -Array ist. Andernfalls bleibt das Ausgabearray in seiner tatsächlichen Form, die seinen tatsächlichen Wert hält.

DTYPE Definiert die Art des Ausgangsarrays.

Beispiel # 01:

Jetzt werden wir zwei Arrays mit den gleichen und einigen unterschiedlichen Werten nehmen. Der und der Bediener gibt true zurück, wenn beide Werte gleich oder beide Bedingungen wahr sind und in allen anderen Fällen falsche zurückgeben. So funktioniert und der Bediener funktioniert. In unserem Beispiel werden wir auch überprüfen.

Nachdem wir unsere Numpy -Bibliothek als NP erfolgreich importiert haben, haben wir unseren ersten Array und „1“, „0“, „1“ und „0“ Werte „1“, „1“, „0“ und „0“ zugewiesen, und „0“ zugewiesen. ”Zu unserem zweiten Array. Wir werden den und den Bediener in unseren Arrays ausführen und die Ausgabe sehen, indem wir unser Ausgabebereich drucken, das wir selbst als unser drittes Array initialisiert haben. Wir werden unseren Code ausführen:

Numph als NP importieren
arr_x = [1, 1, 0, 0]
arr_y = [1, 0, 1, 0]
arr_z = np.logical_and (arr_x, arr_y)
print (arr_z)

Das Folgende ist das Ergebnis, das wir aus unserem Code erhalten werden. In dieser Ausgabe können wir sehen, dass die Funktion die Ausgabe als wahr und falsch zurückgegeben hat. Es hat nur true zurückgegeben, wo die Werte beider Arrays gleich waren. Durch die Ausgabe können wir also zu dem Schluss kommen.

Beispiel # 02:

Bevor wir mit dem nächsten Beispiel übergehen, lassen Sie uns eines klarstellen: Nullen und solche sind nicht nur die Werte, die während logischer Operationen verwendet werden. In einigen Fällen verwenden wir auch Werte True und False, wenn True gleich „1“ ist und falsch „0“ entspricht. Im folgenden Beispiel werden wir die Werte wahr und falsch an unsere Eingabe -Arrays übergeben und die Operation logical_and in diesen Arrays durchführen und das Ergebnis im dritten Array speichern. Durch das Drucken des dritten Arrays werden wir sehen.

Numph als NP importieren
arr_a = [falsch, falsch, wahr, wahr]
arr_b = [Falsch, wahr, falsch, wahr]
arr_c = np.logical_and (arr_a, arr_b)
print (arr_c)

Importieren wir zunächst unsere Numpy -Bibliothek. Der Grund dafür ist, dass wir einige Operationen ausführen werden, die von der Numpy -Bibliothek bereitgestellt werden. In der nächsten Zeile werden wir zwei Arrays deklarieren, in denen wir die Array -Werte als wahr und falsch speichern werden, wie wir oben erläutern. Nachdem wir beide Arrays deklariert haben, die "arr_a" und "arr_b" sind. Am Ende drucken wir das resultierende Array mit der Anweisung print ().

Hier hat die Methode uns die Ausgabe zurückgegeben und es ist die genaue Ausgabe, die wir erwartet hatten. Nur True wird zurückgegeben, wo beide Arrays wahr sind. So funktioniert der und der Bediener auch in Wirklichkeit. Wir können also implizieren, dass es nicht nur auf 0 und 1 funktioniert, sondern auch auf True und Falsch funktioniert.

Beispiel # 03:

Nachdem Sie am logical_and -Operator gearbeitet haben? Um Ihre Frage zu beantworten, haben wir dieses Beispiel getan, in dem wir zwei Arrays verschiedener Formen an unsere Funktion übergeben haben, um zu sehen, welche Ausgabe unsere Funktion in diesem Fall zurückgibt. Wir haben zwei Arrays deklariert, eines mit „4“ Elementen und die andere mit „5“ Elementen, damit sie nicht die gleiche Form haben. Wir haben die Ausgabe im dritten Array gespeichert und drucken sie, um die Ausgabe zu überprüfen. Jetzt werden wir unseren Code ausführen, um zu überprüfen, was passiert.

Numph als NP importieren
small_arr = [0, 0, 1, 1]
large_arr = [1, 0, 1, 0, 1]
out_arr = np.logical_and (small_arr, larg_arr)
print (out_arr)

Importieren Sie nun zuerst die Numpy -Bibliothek und definieren Sie dann zwei Arrays mit unterschiedlichen Größen, in denen sie „small_arr“ benennen, die „4“ -Elemente und „large_arr“ enthält, die „5“ Elemente enthalten. Dann definieren wir ein anderes Array, das das resultierende Array nach der Ausführung des logischen und operativen Arrays enthält. Zuletzt drucken wir das resultierende Array mit der Anweisung Print ().

Leider hat der Code uns einen Fehler gegeben. In diesem Beispiel haben wir jedoch gelernt, dass wir nur Arrays mit der gleichen Form zu unserer Funktion übergeben können. Andernfalls gibt es einen Fehler. Wenn wir die letzte Fehlerzeile lesen, können wir verstehen, dass das System uns mitteilt, dass wir die Formen 4 und 5 zusammen übertragen können. Die 4 und 5 sind die Anzahl der Elemente, die wir an unseren Small_arr bzw. large_arr übergeben haben.

Abschluss

Wir haben etwas über das Numpy NP gelernt.logical_and () Methode in dieser Anleitung. Wir haben besprochen, wie leicht wir mit Hilfe des NP logische Operationen in unseren Arrays ausführen können.logical_and () Funktion von Numpy. Wir haben auch gezeigt, wie sich das System verhält, wenn wir es durch die Arrays verschiedener Formen übergeben. Wir haben den Parameter „Wo“ auf unsere Funktion in diesem Leitfaden angewendet, was uns sehr hilft, das Konzept zu verstehen.