Numpy怎么使用最高效,5个技巧送给你!

本文作者将分享 5 个优雅的 Python Numpy 函数,有助于高效、简洁的数据处理。
在 reshape 函数中使用参数-1
Numpy 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: Numpy怎么使用最高效,5个技巧送给你!
维度为-1 的不同 reshape 操作图示。
Numpy怎么使用最高效,5个技巧送给你!
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。Numpy怎么使用最高效,5个技巧送给你!
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。Numpy怎么使用最高效,5个技巧送给你!
下面的代码也是一样的道理。Numpy怎么使用最高效,5个技巧送给你!
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。Numpy怎么使用最高效,5个技巧送给你!
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。Numpy怎么使用最高效,5个技巧送给你!
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怎么使用最高效,5个技巧送给你!
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。Numpy怎么使用最高效,5个技巧送给你!
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。Numpy怎么使用最高效,5个技巧送给你!
Clip 示例:限制数组中的最小值为 2,最大值为 6。Numpy怎么使用最高效,5个技巧送给你!
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。
Numpy怎么使用最高效,5个技巧送给你!
Numpy怎么使用最高效,5个技巧送给你!
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:Numpy怎么使用最高效,5个技巧送给你!
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。Numpy怎么使用最高效,5个技巧送给你!
Numpy怎么使用最高效,5个技巧送给你!
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。

选自TowardsDataScience,作者:Baijayanta Roy

机器之心编译(侵删)

相关新闻