您好,登錄后才能下訂單哦!
這篇文章主要介紹“Numpy怎么使用比較有效率”,在日常操作中,相信很多人在Numpy怎么使用比較有效率問(wèn)題上存在疑惑,小編查閱了各式資料,整理出簡(jiǎn)單好用的操作方法,希望對(duì)大家解答”Numpy怎么使用比較有效率”的疑惑有所幫助!接下來(lái),請(qǐng)跟著小編一起來(lái)學(xué)習(xí)吧!
Numpy 允許我們根據(jù)給定的新形狀重塑矩陣,新形狀應(yīng)該和原形狀兼容。有意思的是,我們可以將新形狀中的一個(gè)參數(shù)賦值為-1。這僅僅表明它是一個(gè)未知的維度,我們希望 Numpy 來(lái)算出這個(gè)未知的維度應(yīng)該是多少:Numpy 將通過(guò)查看數(shù)組的長(zhǎng)度和剩余維度來(lái)確保它滿足上述標(biāo)準(zhǔn)。讓我們來(lái)看以下例子:
維度為-1 的不同 reshape 操作圖示。
a = np.array([[1, 2, 3, 4], [5, 6, 7, 8]]) a.shape (2, 4)
假設(shè)我們給定行參數(shù)為 1,列參數(shù)為-1,那么 Numpy 將計(jì)算出 reshape 后的列數(shù)為 8。
a.reshape(1,-1) array([[1, 2, 3, 4, 5, 6, 7, 8]])
假設(shè)我們給定行參數(shù)為-1,列參數(shù)為 1,那么 Numpy 將計(jì)算出 reshape 后的行數(shù)為 8。
a.reshape(-1,1) array([[1], [2], [3], [4], [5], [6], [7], [8]])
下面的代碼也是一樣的道理。
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]])
這也適用于任何更高維度張量的 reshape,但是只有一個(gè)維度的參數(shù)能賦值為-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]]])
如果我們嘗試 reshape 不兼容的形狀或者是給定的未知維度參數(shù)多于 1 個(gè),那么將會(huì)報(bào)錯(cuò)。
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)
總而言之,當(dāng)試圖對(duì)一個(gè)張量進(jìn)行 reshape 操作時(shí),新的形狀必須包含與舊的形狀相同數(shù)量的元素,這意味著兩個(gè)形狀的維度乘積必須相等。當(dāng)使用 -1 參數(shù)時(shí),與-1 相對(duì)應(yīng)的維數(shù)將是原始數(shù)組的維數(shù)除以新形狀中已給出維數(shù)的乘積,以便維持相同數(shù)量的元素。
Numpy 的 argpartion 函數(shù)可以高效地找到 N 個(gè)最大值的索引并返回 N 個(gè)值。在給出索引后,我們可以根據(jù)需要進(jìn)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])
在很多數(shù)據(jù)處理和算法中(比如強(qiáng)化學(xué)習(xí)中的 PPO),我們需要使得所有的值保持在一個(gè)上下限區(qū)間內(nèi)。Numpy 內(nèi)置的 Clip 函數(shù)可以解決這個(gè)問(wèn)題。Numpy clip () 函數(shù)用于對(duì)數(shù)組中的值進(jìn)行限制。給定一個(gè)區(qū)間范圍,區(qū)間范圍外的值將被截?cái)嗟絽^(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(shù)組中的最小值為 2,最大值為 6。
#Example-1 array = np.array([10, 7, 4, 3, 2, 2, 5, 9, 0, 4, 6, 0]) print (np.clip(array,2,6))[6 6 4 3 2 2 5 6 2 4 6 2]#Example-2 array = np.array([10, -1, 4, -3, 2, 2, 5, 9, 0, 4, 6, 0]) print (np.clip(array,2,5))[5 2 4 2 2 2 5 5 2 4 5 2]
我們可以使用 Numpy extract () 函數(shù)從數(shù)組中提取符合條件的特定元素。
arr = np.arange(10) arrarray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])# Define the codition, here we take MOD 3 if zero condition = np.mod(arr, 3)==0 conditionarray([ True, False, False, True, False, False, True, False, False,True])np.extract(condition, arr) array([0, 3, 6, 9])
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:
np.extract(((arr > 2) & (arr < 8)), arr)array([3, 4, 5, 6, 7])
返回?cái)?shù)組中不在另一個(gè)數(shù)組中的獨(dú)有元素。這等價(jià)于兩個(gè)數(shù)組元素集合的差集。
a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9]) b = np.array([3,4,7,6,7,8,11,12,14]) c = np.setdiff1d(a,b) carray([1, 2, 5, 9])
以上 5 個(gè) Numpy 函數(shù)并不經(jīng)常被社區(qū)使用,但是它們非常簡(jiǎn)潔和優(yōu)雅。在我看來(lái),我們應(yīng)該盡可能在出現(xiàn)類(lèi)似情況時(shí)使用這些函數(shù),不僅因?yàn)榇a量更少,更因?yàn)樗鼈兪墙鉀Q復(fù)雜問(wèn)題的絕妙方法。
到此,關(guān)于“Numpy怎么使用比較有效率”的學(xué)習(xí)就結(jié)束了,希望能夠解決大家的疑惑。理論與實(shí)踐的搭配能更好的幫助大家學(xué)習(xí),快去試試吧!若想繼續(xù)學(xué)習(xí)更多相關(guān)知識(shí),請(qǐng)繼續(xù)關(guān)注億速云網(wǎng)站,小編會(huì)繼續(xù)努力為大家?guī)?lái)更多實(shí)用的文章!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。