Автор оригинала: Team Python Pool.

Лучшие способы нормализации массива Numpy

Привет гики и добро пожаловать в этой статье мы рассмотрим Normalize NumPy array. Вы можете разделить эту статью на 2 раздела. В 1-м разделе мы рассмотрим массив NumPy. Тогда как во втором мы рассмотрим, как нормализовать его. Чтобы достичь полного понимания этой темы, мы рассмотрим ее синтаксис и параметр. Затем мы увидим применение всей теоретической части на нескольких примерах. Но прежде чем двигаться так далеко вперед, давайте кратко разберемся в этих двух вещах.

Numpy-это мощная математическая библиотека python. Здесь функция Numpy array помогает нам создать массив различных размеров и размеров. Теперь, перейдя к нормализации , мы можем определить ее как процедуру приведения значений, измеренных в другой шкале, к общей шкале.Теперь, продвигаясь вперед, давайте рассмотрим их подробно.

Массив NumPy

Как обсуждалось ранее, массив Numpy помогает нам в создании массивов. В этом разделе мы рассмотрим синтаксис и различные параметры, связанные с ним. Наряду с этим мы также рассмотрим некоторые примеры.

Синтаксис массива NumPy

numpy.array(object)

Это общий синтаксис функции. Он имеет несколько параметров, связанных с ним, которые мы рассмотрим в следующем разделе.

Параметры

1. объект:array_like

Этот параметр представляет входной массив, который мы хотим получить в качестве выходного.

<2. тип:data-type

Этот параметр представляет тип данных, который будут иметь элементы массива. Это необязательный параметр. По умолчанию не указано, что он будет принимать минимальный тип, необходимый для хранения элементов.

3. порядок:

Это еще один необязательный параметр, который определяет расположение массива в памяти. Вновь созданный массив будет находиться в порядке c (row-major), если объект не является типом массива. Кроме того, если указано F, то есть (столбец-мажор), то он примет свою форму.

<4. admin:int

Этот необязательный параметр указывает максимальное количество измерений результирующего массива.

Возвращает

out:ndarray

По завершении программы он возвращает массив заданного условия.

Примеры

На данный момент мы закончили охватывать все теории, связанные с массивом NumPy. Давайте теперь посмотрим несколько примеров и поймем, как это выполняется. После этого мы быстро перейдем к Normalize Numpy Array

import numpy as ppool.array([[1,2,3,],
               )
print(a)

Выход:

[[1. 2. 3.]
 [4. 5. 6.]]

Выше мы видим простой пример массива NumPy. Здесь мы сначала импортировали библиотеку NumPy. После чего мы использовали правильный синтаксис, а также указали тип, который должен быть float. В конце концов, наш результат оправдывает наш вклад и, следовательно, он проверяется. Точно так же вы можете сделать это и для сложного типа данных.

Нормализовать массив Numpy

Как будто теперь мы покрыли массив Numpy. Теперь мы можем генерировать массивы в соответствии с вашими предпочтениями и потребностями. В этом разделе мы сосредоточимся на нормализации этих массивов. Как уже упоминалось ранее, нормализация-это процедура приведения значений, измеренных в другой шкале, к общей шкале. Чтобы нормализовать массив 1-й, нам нужно найти нормальное значение массива. После чего нам нужно разделить массив на его нормальное значение, чтобы получить нормализованный массив.

Чтобы вычислить нормальное значение массива, мы используем именно этот синтаксис.

numpy.linalg.norm()

Теперь, когда мы закончили со всем разделом теории. Давайте посмотрим на его применение на примере.

import numpy as ppool.array([[1,2,3,],
               )
print(a).linalg.norm(a)
print(b)/b
print(norm)

Выход:

[[1. 2. 3.]
 [4. 5. 6.]]
9.539392014169456
[[0.10482848 0.20965697 0.31448545]
 [0.41931393 0.52414242 0.6289709 ]]

В приведенном выше примере мы использовали тот же массив, что и сгенерированный выше. Теперь сначала мы вычислили нормальное значение массива. После вычисления нормального значения мы разделили каждый член массива на нормальное значение. Следовательно, мы получаем нормализованный массив NumPy.

Различные методы нормализации массива NumPy

1. Нормализация с помощью NumPy Sum

В этом методе мы используем NumPy ndarray sum для вычисления суммы каждой отдельной строки массива. После чего мы делим элементы массива if на сумму. Давайте рассмотрим это на примере.

import numpy as ppool.array([[1,2],
               )
print(a))
print(b)/b
print(c)

Выход:

[[1. 2.]
 [4. 5.]]
[3. 9.]
[[0.33333333 0.22222222]
 [1.33333333 0.55555556]]

Это еще один способ нормализации массива. Этот метод действительно эффективен для нормализации по строкам.

2. Нормализация с помощью sklearn

Sklearn-это модуль python, широко используемый в науке о данных и интеллектуальном анализе. Используя это href=”https://en.wikipedia.org/wiki/Method”>метод также мы можем нормализовать массив. Это следует очень простой процедуре, и давайте разберемся в ней на примере. href=”https://en.wikipedia.org/wiki/Method”>метод также мы можем нормализовать массив. Это следует очень простой процедуре, и давайте разберемся в ней на примере.

from sklearn import preprocessing
print(preprocessing.normalize([[5.0, 48.0], [14.0, 32.0]]))

Выход:

[[0.10360608 0.99461841]
 [0.40081883 0.91615733]]

3. Нормализация с помощью понимания списка

Вы также можете нормализовать список в python. Понимание списка, как правило, предлагает более короткий синтаксис, который помогает в создании нового списка из существующего списка. Давайте рассмотрим это на примере.

list = [[7.0, 5.0, 9.0, 7.0]]
norm_list = [i / sum(j) for j in list for i in j]
print(norm_list)

Посмотрите, как нам удалось нормализовать наш существующий список. Здесь мы видим, что мы разделили каждый элемент в списке на сумму всех элементов. Это тоже хороший вариант для нормализации.

4. Нормализация с использованием цикла For

Мы также продвигаем процесс нормализации с помощью цикла for. Используя цикл for, мы можем вычислить сумму всех элементов. Затем разделите каждый элемент на эту сумму. Здесь я советую вам использовать массив NumPy. Продолжая деление, вы можете получить ошибку, так как “list/int” не является подходящим типом данных.

import numpy as ppool
def _sum(arr):  
      
   
      
    for i in arr: 
        + i 
          
    return(sum)  
  .array([11, 32, 45, 18] ) (arr)  (arr)  
print (ans) /ans
print(b)

Выход:

106
[0.10377358 0.30188679 0.4245283  0.16981132]

Вывод

В этой статье мы рассмотрели нормализованный массив NumPy. Для этого сначала мы рассмотрели массив NumPy вместе с его синтаксисом, параметрами и примером. Затем в следующем разделе мы рассмотрели, как нормализовать массив.

Надеюсь, эта статья смогла развеять все сомнения. Но если у вас есть какие-либо нерешенные вопросы, не стесняйтесь писать их ниже в разделе комментариев. Прочитав это, почему бы не прочитать о Syslog далее.