Python|Numpy加粗

简介: Python|Numpy加粗

问题描述

示列

输入:

[[0. 0. 0. 0. 0. 1. 0. 0.]

[0.0. 0. 0. 0. 1. 0. 0.]

[0.0. 0. 0. 0. 1. 0. 0.]

[0.0. 0. 0. 1. 0. 0. 0.]

[0.0. 0. 1. 0. 0. 0. 0.]

[0.0. 1. 0. 0. 0. 0. 0.]

[1.1. 1. 0. 0. 0. 0. 0.]

[0.0. 0. 0. 0. 0. 0. 0.]]

输出:

[[0. 0. 0. 0. 1. 1. 1. 0.]

[0.0. 0. 0. 1. 1. 1. 0.]

[0.0. 0. 0. 1. 1. 1. 0.]

[0.0. 0. 1. 1. 1. 0. 0.]

[0.0. 1. 1. 1. 0. 0. 0.]

[1.1. 1. 1. 0. 0. 0. 0.]

[1.1. 1. 1. 0. 0. 0. 0.]

[1.1. 1. 0. 0. 0. 0. 0.]]


解决方案

加粗可以理解为初始数组向4个方向(上,下,左,右)平移后在取并集得到的。

Python代码:

import numpy as np

arr=np.zeros((8,8))

arr[0:3,5]=1                    

arr[3,4]=1

arr[4,3]=1

arr[5,2]=1

arr[6,0:3]=1                    #生成初始数组

#print(arr)

def jiacu(arr):

     arr1=np.roll(arr,1,axis=1)

     arr1[0:7,0]=0               #向右平移

     arr2=np.roll(arr,-1,axis=1)

     arr2[0:7,7]=0               #向左平移

     arr3=np.roll(arr,1,axis=0)

     arr3[0,0:7]=0               #向下平移

     arr4=np.roll(arr,-1,axis=0)

     arr4[7,0:7]=0               #向上平移

     arr5=arr1+arr2+arr3+arr4+arr

     for i in range(len(arr)):

         for j in range(len(arr[0])):

            if arr5[i][j]>1:

                arr5[i][j]=1    #取并集

     return arr5

print(jiacu(arr))

目录
相关文章
|
11月前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
222 2
|
11月前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
467 5
|
11月前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
249 3
|
11月前
|
存储 机器学习/深度学习 算法
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第26天】NumPy和SciPy是Python科学计算领域的两大核心库。NumPy提供高效的多维数组对象和丰富的数学函数,而SciPy则在此基础上提供了更多高级的科学计算功能,如数值积分、优化和统计等。两者结合使Python在科学计算中具有极高的效率和广泛的应用。
375 2
|
12月前
|
机器学习/深度学习 并行计算 大数据
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧2
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧
328 10
|
12月前
|
机器学习/深度学习 算法 数据挖掘
【Python篇】深度探索NumPy(下篇):从科学计算到机器学习的高效实战技巧1
【Python篇】深度探索NumPy(下篇):从科学计算到机器学习的高效实战技巧
180 5
|
12月前
|
机器学习/深度学习 数据采集 算法
探索Python科学计算的边界:NumPy、Pandas与SciPy在大规模数据分析中的高级应用
【10月更文挑战第5天】随着数据科学和机器学习领域的快速发展,处理大规模数据集的能力变得至关重要。Python凭借其强大的生态系统,尤其是NumPy、Pandas和SciPy等库的支持,在这个领域占据了重要地位。本文将深入探讨这些库如何帮助科学家和工程师高效地进行数据分析,并通过实际案例来展示它们的一些高级应用。
251 0
探索Python科学计算的边界:NumPy、Pandas与SciPy在大规模数据分析中的高级应用
|
12月前
|
索引 Python
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧1
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧
360 4
|
人工智能 算法 数据处理
Python常用的Numpy包
Python常用的Numpy包
172 7
|
12月前
|
机器学习/深度学习 算法 数据可视化
【Python篇】深度探索NumPy(下篇):从科学计算到机器学习的高效实战技巧2
【Python篇】深度探索NumPy(下篇):从科学计算到机器学习的高效实战技巧
108 1

推荐镜像

更多