بخشی از مقاله

چندین نمونه کد

~2 دقیقه مطالعه · آخرین به‌روزرسانی ۲۶ شهریور ۱۴۰۴

شرح برنامه

در این برنامه پایتونی با استفاده از بسته NumPy دو آرایه عددی ایجاد می‌کنیم.
سپس با استفاده از توابع مختلف، عناصر زیر را استخراج و نمایش می‌دهیم:
- عناصر تکراری (duplicate)
- عناصر غیرتکراری یا یکتا (unique)
- عناصر مشترک بین دو آرایه (common)


کد پایتون:


import numpy as np

# ایجاد دو آرایه عددی
array1 = np.array([1, 2, 3, 4, 5, 6, 2, 3])
array2 = np.array([3, 4, 7, 8, 3, 9, 10])

# عناصر مشترک بین دو آرایه
common = np.intersect1d(array1, array2)

# عناصر یکتا در هر آرایه
unique1 = np.setdiff1d(array1, array2)
unique2 = np.setdiff1d(array2, array1)

# عناصر تکراری در هر آرایه
duplicates1 = np.unique(array1[np.isin(array1, array1[np.where(np.bincount(array1) > 1)])])
duplicates2 = np.unique(array2[np.isin(array2, array2[np.where(np.bincount(array2) > 1)])])

print("آرایه اول:", array1)
print("آرایه دوم:", array2)
print("عناصر مشترک:", common)
print("عناصر یکتا در آرایه اول:", unique1)
print("عناصر یکتا در آرایه دوم:", unique2)
print("عناصر تکراری در آرایه اول:", duplicates1)
print("عناصر تکراری در آرایه دوم:", duplicates2)

نمونه خروجی:


آرایه اول: [1 2 3 4 5 6 2 3]  
آرایه دوم: [3 4 7 8 3 9 10]  
عناصر مشترک: [3 4]  
عناصر یکتا در آرایه اول: [1 2 5 6]  
عناصر یکتا در آرایه دوم: [ 7  8  9 10]  
عناصر تکراری در آرایه اول: [2 3]  
عناصر تکراری در آرایه دوم: [3]

توضیح مراحل:

- با استفاده از np.intersect1d() عناصر مشترک بین دو آرایه را پیدا می‌کنیم
- با np.setdiff1d() عناصر یکتا یا غیرمشترک را استخراج می‌کنیم
- برای یافتن عناصر تکراری، از ترکیب np.bincount() و np.where() استفاده می‌کنیم تا تعداد تکرارها را بررسی کنیم
- در پایان، همه نتایج را با print() نمایش می‌دهیم


نوشته و پژوهش‌شده توسط دکتر شاهین صیامی

مقالات مرتبط

آشنایی کامل با دکوریتورها در پایتون – تزئین رفتار توابع با کدهای قابل‌استفاده مجدد

دکوریتورها در پایتون ابزار قدرتمندی برای تغییر یا گسترش رفتار توابع و کلاس‌ها بدون تغییر در کد اصلی آن‌ها هستند. با استفاده از دکوریتورها می‌توان منطق‌هایی مانند لاگ‌گیری، احراز هویت، کش‌کردن، یا بررسی زمان اجرا را به‌صورت تمیز و قابل‌تکرار پیاده‌سازی کرد. این مقاله به بررسی ساختار، نحوه تعریف، کاربردهای رایج و مثال‌های عملی دکوریتورها می‌پردازد.

ادامه

آشنایی کامل با کلاس‌ها در پایتون – شی‌گرایی، ساختار، وراثت و کاربردهای عملی

کلاس‌ها در پایتون یکی از پایه‌های برنامه‌نویسی شی‌گرا هستند که امکان تعریف ساختارهای داده‌ای پیچیده، رفتارهای قابل‌تخصیص و کپسوله‌سازی منطق را فراهم می‌کنند. در این مقاله، با مفاهیم پایه‌ای کلاس، سازنده‌ها، متدها، وراثت، کلاس‌های فرزند، و کاربردهای واقعی کلاس‌ها در پروژه‌های پایتونی آشنا می‌شویم.

ادامه

چندین نمونه کد

برای درک بهتر زبان پیاتون

ادامه

راهنمای جامع دریافت ورودی متنی از کاربر در پایتون

در پایتون، دریافت ورودی از کاربر یکی از ابتدایی‌ترین اما کلیدی‌ترین قابلیت‌ها برای تعامل با کاربران است. این مقاله به بررسی دقیق تابع input()، نحوه تبدیل ورودی به انواع داده‌ای، استفاده در شرط‌ها و حلقه‌ها، و نکات امنیتی و عملی درباره فیلتر کردن و اعتبارسنجی ورودی می‌پردازد. همچنین مثال‌های متنوعی برای کاربردهای واقعی ارائه می‌گردد.

ادامه

بررسی کامل تابع در پایتون: ساختار، انواع و کاربردها

comprehensive-guide-python-functiتوابع در پایتون از مهم‌ترین ابزارهای برنامه‌نویسی هستند که کد را ماژولار، قابل استفاده مجدد و خواناتر می‌سازند. این مقاله با معرفی ساختار تعریف تابع، تفاوت بین توابع Built-in و Custom، کاربرد آرگومان‌ها، مقدارهای بازگشتی، و مفاهیم پیشرفته مانند توابع بازگشتی و توابع لامبدا، درک جامعی از توانمندی‌های تابع در پایتون فراهم می‌کند.ons-structure-types-uses-fa

ادامه

حلقه‌ها، ایتریتورها و کنترل جریان تکرار در پایتون

در پایتون، حلقه‌ها ابزاری کلیدی برای انجام عملیات تکراری هستند. حلقه‌های for برای تعداد مشخص و while برای تعداد نامشخص استفاده می‌شوند. با معرفی مفهوم ایتریتور، تابع input برای دریافت داده از کاربر، و توابعی مثل enumerate, zip, next, و shuffle، این مقاله درک جامعی از نحوه مدیریت و کنترل جریان تکرار در پایتون ارائه می‌دهد.

ادامه