NUMPY
CÁC CHỦ ĐỀ
BÀI MỚI NHẤT
MỚI CẬP NHẬT

Sử dụng NumPy để tạo và in mảng số nguyên 4x2 trong Python

Trong bài viết này, mình sẽ cùng nhau tìm hiểu cách sử dụng thư viện NumPy để tạo mảng số nguyên 4x2 và in ra các thuộc tính quan trọng của mảng. Bài tập này giúp bạn làm quen với NumPy và hiểu rõ hơn về cách làm việc với mảng trong Python.

Lưu ý: Phần tử phải là loại unsigned int16. Và in các Thuộc tính sau:

  • Hình dạng của một mảng.
  • Kích thước mảng.
  • Độ dài của mỗi phần tử của mảng tính bằng byte.

Bước 1: Import thư viện NumPy

Đầu tiên, hãy import thư viện NumPy để có thể tạo và làm việc với mảng.

import numpy as np

Bước 2: Tạo mảng số nguyên 4x2

Mình sử dụng hàm np.array() để tạo mảng số nguyên 4x2 với kiểu dữ liệu unsigned int16.

array_data = np.array([[1, 2],
                       [3, 4],
                       [5, 6],
                       [7, 8]], dtype=np.uint16)

Bước 3: In các thuộc tính của mảng

Hình dạng của mảng:

Ta sử dụng thuộc tính shape để in ra hình dạng của mảng.

shape = array_data.shape
print("Hình dạng của mảng:", shape)

Kích thước mảng:

Mình sử dụng thuộc tính size để in ra kích thước tổng cộng của mảng.

size = array_data.size
print("Kích thước mảng:", size)

Độ dài của mỗi phần tử của mảng tính bằng byte:

Mình sử dụng thuộc tính itemsize để in ra độ dài của mỗi phần tử của mảng tính bằng byte.

item_size = array_data.itemsize
print("Độ dài của mỗi phần tử (byte):", item_size)

Kết quả

Khi bạn chạy chương trình, bạn sẽ nhận được kết quả sau:

Hình dạng của mảng: (4, 2)
Kích thước mảng: 8
Độ dài của mỗi phần tử (byte): 2

Chúc mừng bạn đã thành công tạo mảng số nguyên 4x2 và in ra các thuộc tính quan trọng của nó. Bài tập này giúp bạn làm quen với cách sử dụng thư viện NumPy để làm việc với mảng số trong Python. Chúc các bạn thành công và tiếp tục khám phá NumPy trong Python!

test php

Bài giải

-------------------- ######## --------------------

Câu hỏi thường gặp liên quan:

Cùng chuyên mục:

Cách lưu trữ và tải lại Models trong PyTorch

Cách lưu trữ và tải lại Models trong PyTorch

Tìm hiểu về TensorBoard với PyTorch

Tìm hiểu về TensorBoard với PyTorch

Học chuyển giao (Transfer Learning) trong PyTorch Beginner

Học chuyển giao (Transfer Learning) trong PyTorch Beginner

Hướng dẫn cơ bản mạng Nơ-ron Tích Chập (CNN) trong PyTorch

Hướng dẫn cơ bản mạng Nơ-ron Tích Chập (CNN) trong PyTorch

Mạng Nơ-Ron truyền thẳng (Feed Forward Neural Network) trong PyTorch

Mạng Nơ-Ron truyền thẳng (Feed Forward Neural Network) trong PyTorch

Tìm hiểu Activation Functions trong PyTorch

Tìm hiểu Activation Functions trong PyTorch

Softmax và Cross Entropy trong PyTorch Beginner

Softmax và Cross Entropy trong PyTorch Beginner

Dataset Transforms trong PyTorch Beginner

Dataset Transforms trong PyTorch Beginner

Dataset và DataLoader trong PyTorch Beginner

Dataset và DataLoader trong PyTorch Beginner

Hồi quy Logistic trong PyTorch Beginner

Hồi quy Logistic trong PyTorch Beginner

Hồi quy tuyến tính trong PyTorch Beginner

Hồi quy tuyến tính trong PyTorch Beginner

Training Pipeline trong PyTorch Beginner

Training Pipeline trong PyTorch Beginner

Sử dụng Gradient Descent với Autograd trong PyTorch

Sử dụng Gradient Descent với Autograd trong PyTorch

Hướng dẫn về Tensor cơ bản trong PyTorch

Hướng dẫn về Tensor cơ bản trong PyTorch

Hướng dẫn cài đặt PyTorch với Deep Learning

Hướng dẫn cài đặt PyTorch với Deep Learning

LDA (Linear Discriminant Analysis) trong Python

LDA (Linear Discriminant Analysis) trong Python

Thuật toán AdaBoost trong Python

Thuật toán AdaBoost trong Python

Thuật toán K-Means Clustering trong Python

Thuật toán K-Means Clustering trong Python

Triển khai PCA bằng Python

Triển khai PCA bằng Python

Triển khai thuật toán Random Forest bằng Python

Triển khai thuật toán Random Forest bằng Python

Top