5个优雅的Numpy函数助你走出数据处理困境 |
您所在的位置:网站首页 › npdiff函数 › 5个优雅的Numpy函数助你走出数据处理困境 |
在 reshape 函数中使用参数-1Numpy 允许我们根据给定的新形状重塑矩阵,新形状应该和原形状兼容。有意思的是,我们可以将新形状中的一个参数赋值为-1。这仅仅表明它是一个未知的维度,我们希望 Numpy 来算出这个未知的维度应该是多少:Numpy 将通过查看数组的长度和剩余维度来确保它满足上述标准。让我们来看以下例子: 维度为-1 的不同 reshape 操作图示。 a = np.array([[1, 2, 3, 4], [5, 6, 7, 8]]) a.shape (2, 4)假设我们给定行参数为 1,列参数为-1,那么 Numpy 将计算出 reshape 后的列数为 8。 a.reshape(1,-1) array([[1, 2, 3, 4, 5, 6, 7, 8]])假设我们给定行参数为-1,列参数为 1,那么 Numpy 将计算出 reshape 后的行数为 8。 a.reshape(-1,1) array([[1], [2], [3], [4], [5], [6], [7], [8]])下面的代码也是一样的道理。 a.reshape(-1,4) array([[1, 2, 3, 4], [5, 6, 7, 8]])a.reshape(-1,2) array([[1, 2], [3, 4], [5, 6], [7, 8]])a.reshape(2,-1) array([[1, 2, 3, 4], [5, 6, 7, 8]])a.reshape(4,-1) array([[1, 2], [3, 4], [5, 6], [7, 8]])这也适用于任何更高维度张量的 reshape,但是只有一个维度的参数能赋值为-1。 a.reshape(2,2,-1) array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])a.reshape(2,-1,1) array([[[1], [2], [3], [4]], [[5], [6], [7], [8]]])如果我们尝试 reshape 不兼容的形状或者是给定的未知维度参数多于 1 个,那么将会报错。 a.reshape(-1,-1) ValueError: can only specify one unknown dimensiona.reshape(3,-1) ValueError: cannot reshape array of size 8 into shape (3,newaxis)总而言之,当试图对一个张量进行 reshape 操作时,新的形状必须包含与旧的形状相同数量的元素,这意味着两个形状的维度乘积必须相等。当使用 -1 参数时,与-1 相对应的维数将是原始数组的维数除以新形状中已给出维数的乘积,以便维持相同数量的元素。Argpartition:****在数组中找到最大的 N 个元素。 Numpy 的 argpartion 函数可以高效地找到 N 个最大值的索引并返回 N 个值。在给出索引后,我们可以根据需要进行值排序。 array = np.array([10, 7, 4, 3, 2, 2, 5, 9, 0, 4, 6, 0])index = np.argpartition*(array, -5)[-5:] index array([ 6, 1, 10, 7, 0], dtype=int64)np.sort(array[index]) array([ 5, 6, 7, 9, 10])Clip:****如何使数组中的值保持在一定区间内在很多数据处理和算法中(比如强化学习中的 PPO),我们需要使得所有的值保持在一个上下限区间内。Numpy 内置的 Clip 函数可以解决这个问题。Numpy clip () 函数用于对数组中的值进行限制。给定一个区间范围,区间范围外的值将被截断到区间的边界上。例如,如果指定的区间是 [-1,1],小于-1 的值将变为-1,而大于 1 的值将变为 1。 Extract:****从数组中提取符合条件的元素我们可以使用 Numpy extract () 函数从数组中提取符合条件的特定元素。 同样地,如果有需要,我们可以用 AND 和 OR 组合的直接条件,如下所示: np.extract(((arr > 2) & (arr < 8)), arr)array([3, 4, 5, 6, 7])setdiff1d:****如何找到仅在 A 数组中有而 B 数组没有的元素返回数组中不在另一个数组中的独有元素。这等价于两个数组元素集合的差集。 小结 以上 5 个 Numpy 函数并不经常被社区使用,但是它们非常简洁和优雅。在我看来,我们应该尽可能在出现类似情况时使用这些函数,不仅因为代码量更少,更因为它们是解决复杂问题的绝妙方法。 原文链接:https://towardsdatascience.com/5-smart-python-numpy-functions-dfd1072d2cb4 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |