日韩无码专区无码一级三级片|91人人爱网站中日韩无码电影|厨房大战丰满熟妇|AV高清无码在线免费观看|另类AV日韩少妇熟女|中文日本大黄一级黄色片|色情在线视频免费|亚洲成人特黄a片|黄片wwwav色图欧美|欧亚乱色一区二区三区

RELATEED CONSULTING
相關咨詢
選擇下列產品馬上在線溝通
服務時間：8:30-17:00
你可能遇到了下面的問題
關閉右側工具欄

新聞中心

這里有您想知道的互聯網營銷解決方案
數據處理遇到麻煩不要慌，5個優(yōu)雅的Numpy函數助你走出困境

在機器學習和數據科學工程的日常數據處理中，我們會遇到一些特殊的情況，需要用樣板代碼來解決這些問題。在此期間，根據社區(qū)的需求和使用，一些樣板代碼已經被轉換成核心語言或包本身提供的基本功能。本文作者將分享 5 個優(yōu)雅的 Python Numpy 函數，有助于高效、簡潔的數據處理。

創(chuàng)新互聯建站是一家專業(yè)提供蘭坪企業(yè)網站建設,專注與網站設計、成都網站設計、H5建站、小程序制作等業(yè)務。10年已為蘭坪眾多企業(yè)、政府機構等服務。創(chuàng)新互聯專業(yè)的建站公司優(yōu)惠進行中。

在 reshape 函數中使用參數-1

Numpy 允許我們根據給定的新形狀重塑矩陣，新形狀應該和原形狀兼容。有意思的是，我們可以將新形狀中的一個參數賦值為-1。這僅僅表明它是一個未知的維度，我們希望 Numpy 來算出這個未知的維度應該是多少：Numpy 將通過查看數組的長度和剩余維度來確保它滿足上述標準。讓我們來看以下例子：

維度為-1 的不同 reshape 操作圖示。

 
 
 
 
    
  
  
  
  
  1. a = np.array([[1, 2, 3, 4],
    2. 
  
  
  
  
  2.               [5, 6, 7, 8]])
    3. 
  
  
  
  
  3. a.shape
    4. 
  
  
  
  
  4. (2, 4)
    5.

假設我們給定行參數為 1，列參數為-1，那么 Numpy 將計算出 reshape 后的列數為 8。

 
 
 
 
    
  
  
  
  
  1. a.reshape(1,-1)
    2. 
  
  
  
  
  2. array([[1, 2, 3, 4, 5, 6, 7, 8]])
    3.

假設我們給定行參數為-1，列參數為 1，那么 Numpy 將計算出 reshape 后的行數為 8。

 
 
 
 
    
  
  
  
  
  1. a.reshape(-1,1)
    2. 
  
  
  
  
  2. array([[1],
    3. 
  
  
  
  
  3.        [2],
    4. 
  
  
  
  
  4.        [3],
    5. 
  
  
  
  
  5.        [4],
    6. 
  
  
  
  
  6.        [5],
    7. 
  
  
  
  
  7.        [6],
    8. 
  
  
  
  
  8.        [7],
    9. 
  
  
  
  
  9.        [8]])
    10.

下面的代碼也是一樣的道理。

 
 
 
 
    
  
  
  
  
  1. a.reshape(-1,4)
    2. 
  
  
  
  
  2. array([[1, 2, 3, 4],
    3. 
  
  
  
  
  3.        [5, 6, 7, 8]])a.reshape(-1,2)
    4. 
  
  
  
  
  4. array([[1, 2],
    5. 
  
  
  
  
  5.        [3, 4],
    6. 
  
  
  
  
  6.        [5, 6],
    7. 
  
  
  
  
  7.        [7, 8]])a.reshape(2,-1)
    8. 
  
  
  
  
  8. array([[1, 2, 3, 4],
    9. 
  
  
  
  
  9.        [5, 6, 7, 8]])a.reshape(4,-1)
    10. 
  
  
  
  
  10. array([[1, 2],
    11. 
  
  
  
  
  11.        [3, 4],
    12. 
  
  
  
  
  12.        [5, 6],
    13. 
  
  
  
  
  13.        [7, 8]])
    14.

這也適用于任何更高維度張量的 reshape，但是只有一個維度的參數能賦值為-1。

 
 
 
 
    
  
  
  
  
  1. a.reshape(2,2,-1)
    2. 
  
  
  
  
  2. array([[[1, 2],
    3. 
  
  
  
  
  3.         [3, 4]],
    4. 
  
  
  
  
  4. 
  
  
  
  
  5.        [[5, 6],
    6. 
  
  
  
  
  6.         [7, 8]]])a.reshape(2,-1,1)
    7. 
  
  
  
  
  7. array([[[1],
    8. 
  
  
  
  
  8.         [2],
    9. 
  
  
  
  
  9.         [3],
    10. 
  
  
  
  
  10.         [4]],
    11. 
  
  
  
  
  11. 
  
  
  
  
  12.        [[5],
    13. 
  
  
  
  
  13.         [6],
    14. 
  
  
  
  
  14.         [7],
    15. 
  
  
  
  
  15.         [8]]])
    16.

如果我們嘗試 reshape 不兼容的形狀或者是給定的未知維度參數多于 1 個，那么將會報錯。

 
 
 
 
    
  
  
  
  
  1. a.reshape(-1,-1)
    2. 
  
  
  
  
  2. ValueError: can only specify one unknown dimensiona.reshape(3,-1)
    3. 
  
  
  
  
  3. ValueError: cannot reshape array of size 8 into shape (3,newaxis)
    4.

總而言之，當試圖對一個張量進行 reshape 操作時，新的形狀必須包含與舊的形狀相同數量的元素，這意味著兩個形狀的維度乘積必須相等。當使用 -1 參數時，與-1 相對應的維數將是原始數組的維數除以新形狀中已給出維數的乘積，以便維持相同數量的元素。

Argpartition：在數組中找到最大的 N 個元素。

Numpy 的 argpartion 函數可以高效地找到 N 個最大值的索引并返回 N 個值。在給出索引后，我們可以根據需要進行值排序。

 
 
 
 
    
  
  
  
  
  1. array = np.array([10, 7, 4, 3, 2, 2, 5, 9, 0, 4, 6, 0])index = np.argpartition*(array, -5)[-5:]
    2. 
  
  
  
  
  2. index
    3. 
  
  
  
  
  3. array([ 6,  1, 10,  7,  0], dtype=int64)np.sort(array[index])
    4. 
  
  
  
  
  4. array([ 5,  6,  7,  9, 10])
    5.

Clip：如何使數組中的值保持在一定區(qū)間內

在很多數據處理和算法中(比如強化學習中的 PPO)，我們需要使得所有的值保持在一個上下限區(qū)間內。Numpy 內置的 Clip 函數可以解決這個問題。Numpy clip () 函數用于對數組中的值進行限制。給定一個區(qū)間范圍，區(qū)間范圍外的值將被截斷到區(qū)間的邊界上。例如，如果指定的區(qū)間是 [-1,1]，小于-1 的值將變?yōu)?1，而大于 1 的值將變?yōu)?1。

Clip 示例：限制數組中的最小值為 2，最大值為 6。

 
 
 
 
    
  
  
  
  
  1. #Example-1
    2. 
  
  
  
  
  2. array = np.array([10, 7, 4, 3, 2, 2, 5, 9, 0, 4, 6, 0])
    3. 
  
  
  
  
  3. print (np.clip(array,2,6))[6 6 4 3 2 2 5 6 2 4 6 2]#Example-2
    4. 
  
  
  
  
  4. array = np.array([10, -1, 4, -3, 2, 2, 5, 9, 0, 4, 6, 0])
    5. 
  
  
  
  
  5. print (np.clip(array,2,5))[5 2 4 2 2 2 5 5 2 4 5 2]
    6.

Extract：從數組中提取符合條件的元素

我們可以使用 Numpy extract () 函數從數組中提取符合條件的特定元素。

 
 
 
 
    
  
  
  
  
  1. arr = np.arange(10)
    2. 
  
  
  
  
  2. arrarray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])# Define the codition, here we take MOD 3 if zero
    3. 
  
  
  
  
  3. condition = np.mod(arr, 3)==0
    4. 
  
  
  
  
  4. conditionarray([ True, False, False,  True, False, False,  True, False, False,True])np.extract(condition, arr)
    5. 
  
  
  
  
  5. array([0, 3, 6, 9])
    6.

同樣地，如果有需要，我們可以用 AND 和 OR 組合的直接條件，如下所示：

 
 
 
 
    
  
  
  
  
  1. np.extract(((arr > 2) & (arr < 8)), arr)array([3, 4, 5, 6, 7])
    2.

setdiff1d：如何找到僅在 A 數組中有而 B 數組沒有的元素

返回數組中不在另一個數組中的獨有元素。這等價于兩個數組元素集合的差集。

 
 
 
 
    
  
  
  
  
  1. a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
    2. 
  
  
  
  
  2. b = np.array([3,4,7,6,7,8,11,12,14])
    3. 
  
  
  
  
  3. c = np.setdiff1d(a,b)
    4. 
  
  
  
  
  4. carray([1, 2, 5, 9])
    5.

小結

以上 5 個 Numpy 函數并不經常被社區(qū)使用，但是它們非常簡潔和優(yōu)雅。在我看來，我們應該盡可能在出現類似情況時使用這些函數，不僅因為代碼量更少，更因為它們是解決復雜問題的絕妙方法。


網站名稱：數據處理遇到麻煩不要慌，5個優(yōu)雅的Numpy函數助你走出困境
網頁URL：http://m.5511xx.com/article/dpeceic.html