NUMPY
CÁC CHỦ ĐỀ
BÀI MỚI NHẤT
MỚI CẬP NHẬT

Trả về mảng hàng lẻ và cột chẵn từ mảng có nhiều mảng phía dưới trong Python

Khi làm việc với mảng có nhiều mảng con (hay còn gọi là mảng 2 chiều), việc trích xuất các phần tử theo các điều kiện cụ thể là một kỹ thuật quan trọng. Trong bài tập này, mình  sẽ viết một chương trình Python để trích xuất mảng hàng lẻ và cột chẵn từ một mảng có nhiều mảng con.

Bước 1: Xác định mảng ban đầu

Mình có một mảng có nhiều mảng con trong Python:

mang_nhieu_mang_con = [
    [1, 2, 3, 4],
    [5, 6, 7, 8],
    [9, 10, 11, 12],
    [13, 14, 15, 16]
]

Bước 2: Trích xuất mảng hàng lẻ

Mình sử dụng list comprehension để trích xuất các hàng có chỉ số lẻ từ mảng ban đầu:

mang_hang_le = [hang for i, hang in enumerate(mang) if i % 2 != 0]

Đối với mỗi hàng trong mảng ban đầu, mình sử dụng enumerate() để lấy chỉ số hàng. Nếu chỉ số hàng là số lẻ (i % 2 != 0), chúng ta lưu lại hàng đó vào mang_hang_le.

Bước 3: Trích xuất mảng cột chẵn

Để trích xuất mảng cột chẵn, chúng ta sử dụng list comprehension lồng nhau:

mang_cot_chan = [[hang[i] for i in range(len(hang)) if i % 2 == 0] for hang in mang]

Đối với mỗi hàng trong mảng ban đầu, chúng ta duyệt qua từng phần tử và lấy phần tử ở vị trí cột chẵn (i % 2 == 0). Kết quả sẽ tạo ra một danh sách các cột chẵn từ mảng ban đầu.

Bước 4: In ra kết quả

Cuối cùng, mình in ra mảng hàng lẻ và mảng cột chẵn đã trích xuất:

print("Mảng hàng lẻ:")
for hang in mang_hang_le:
    print(hang)

print("\nMảng cột chẵn:")
for hang in mang_cot_chan:
    print(hang)

Việc này cho thấy cách sử dụng list comprehension và điều kiện lọc để trích xuất dữ liệu từ một mảng có nhiều mảng con trong Python. Việc sử dụng các kỹ thuật này giúp chúng ta xử lý dữ liệu một cách hiệu quả từ các cấu trúc dữ liệu phức tạp.

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