Numpy Normalizuj metodę

Python Programming Language ułatwiło życie programistów dzięki użytecznym bibliotekom. Numpy to biblioteka open source używana z tablicami i najczęstszą biblioteką do wykonywania dowolnego rodzaju obliczeń numerycznych. Numpy oznacza numeryczny Python, co oznacza, że ​​wszystkie rodzaje obliczeń numerycznych można wykonać za pomocą funkcji biblioteki Numpy. Zapewnia metodę normalizacyjną do normalizacji tablic, wektorów i wszystkiego. W tym artykule zbadano metodę Numpy Normalize w programach Python. Korzystając z niektórych prostych i łatwych przykładów, zademonstrujemy, jak znormalizować podane dane za pomocą metody normalizacji Numpy.

Jaka jest metoda normalizacji Numpy?

Naukowcy i analitycy danych są bardzo świadomi normalizacji danych. Normalizacja danych to proces dostosowywania danych z różnych skal do wspólnej skali. Po prostu normalizacja to proces skalowania serii danych na żądanym zakresie. Numpy jest jedną z najpotężniejszych bibliotek matematycznych podanych w języku programowania Pythona. Oferuje metodę normalizacyjną do normalizacji podanej listy danych. Nauczmy się teraz, jak używać metody normalizacji Numpy w programach Python.

Przykład 1

Ten pierwszy przykład jest prosty i podstawowy i zaprojektowany dla wszystkich rodzajów programistów, tj.mi., Nowicjusze i eksperci. Tutaj użyjemy Numpy.Linalg.Norm () funkcja normalizacji wektora. Kod referencyjny jest podany poniżej dla twoich wskazówek, spójrz.

importować Numpy jako NPY
NPY.losowy.ziarno (5)
Ary = npy.losowy.Rand (20)
v_norm = npy.Linalg.Norm (Ary)
druk („znormalizowany wektor to =”, v_norm)

Program rozpoczął się od importu biblioteki Numpy w programie z instrukcją „Import Numpy as NPY”. Zmienna NPY będzie reprezentować bibliotekę Numpy w całym programie i będzie używana do wywołania funkcji normy () w programie. Funkcja seed () służy do inicjalizacji generatora liczb losowych z 5. NPY.losowy.Instrukcja nasiona (5) zainicjuje funkcję losowe (), aby wygenerować liczbę losową.

Potem NPY.losowy.Instrukcja Rand (20) służy do tworzenia szeregu 20 losowych liczb. Obliczona tablica przekazała funkcję Norm (), aby ją znormalizować za pomocą NPY.Linalg.Oświadczenie Norm (ARY). Instrukcja print () jest przydatna do wyświetlania dowolnego wyjścia na ekranie, więc użyliśmy go do wyświetlania znormalizowanej wartości wektorowej obliczonej tablicy. Poniżej znajduje się wyjście:

Przykład 2

Inna niż funkcja norm (), mamy znormalizowaną metodę dostarczoną przez bibliotekę Sklearn. W tym przykładzie wykorzystamy metodę normalizacji do normalizacji podanych danych. Przykład referencyjny jest podany poniżej, aby pomóc Ci zrozumieć, jak użyć metody normalizacji dostarczonej przez bibliotekę Sklearn w celu normalizacji wektora:

importować Numpy jako NPY
ze Sklearn.Przetwarzanie importu normalizacji
NPY.losowy.ziarno (5)
Ary = npy.losowy.Rand (10).Reshape (2,5)
v_norm = normalizuj (ARR)
druk („znormalizowany wektor to = \ n”, v_norm)

Tutaj biblioteka Numpy jest importowana do programu za pomocą instrukcji „Import Numpy as NPY”. Następnie biblioteka Sklearn jest importowana do programu z „ze Sklearn.Oświadczenie o znormalizowaniu importu ”. Funkcja nasion (5) służy do inicjalizacji funkcji losowej () i losowej.Funkcja Rand (10) służy do generowania 10 liczb losowych.

Jeśli zauważysz, użyliśmy oświadczenia o przekształceniu (2,5), aby przekształcić tablicę w 2-D. Więc kiedy wykonujemy NPY.losowy.Rand (10).Oświadczenie (2, 5), wygenerowane zostanie 20 losowych liczb, każdy wymiar tablicy zawierający 10 elementów. Obliczona tablica 2-D jest przekazywana do funkcji Normalize (), aby uzyskać z niej znormalizowany wynik. Korzystając z instrukcji print (), wyświetlany jest znormalizowany zestaw 20 elementów. Zobacz wyniki poniższego programu:

Przykład 3

Wcześniej nauczyliśmy się, jak normalizować wektory za pomocą funkcji Norm () i Normalize (). Ten przykład sprawi, że nauczysz się znormalizować tablicę za pomocą funkcji normy (). Kod referencyjny podano na zrzucie ekranu poniżej:

importować Numpy jako NPY
a = npy.tablica ([3, 2, 6, 4, 8, 9])
B = npy.Linalg.Norm (a)
drukuj („tablica to = \ n”, a)
drukuj („\ n znormalizowana wartość to = ', b)
n = a/b
druk („\ n znormalizowana tablica to = \ n ', n)

Biblioteka Numpy jest importowana do programu, abyśmy mogli użyć funkcji normy (). Tablica „A” jest zadeklarowana za pomocą NPY.funkcja array () zawierająca 6 elementów. Tablica „A” jest przekazywana do Linalga.Norm () funkcja wykonywania normalizacji. Użyliśmy trzech instrukcji print (), do wyświetlania oryginalnej tablicy, druga instrukcja print () służy do pokazania znormalizowanej wartości tablicy, a nareszcie używa się instrukcji trzeciej druku () Aby pokazać znormalizowaną tablicę. Wyjście jest następujące:

Przykład 4

W tym przykładzie znormalizujemy tę samą tablicę za pomocą metody normalizacji biblioteki Sklearn. Kod referencyjny jest podany poniżej dla twojego zrozumienia:

importować Numpy jako NPY
ze Sklearn.Przetwarzanie importu normalizacji
a = npy.tablica ([3, 2, 6, 4, 8, 9])*5
b = normalizuj (a [:, npy.newaxis], oś = 0)
Drukuj („znormalizowana tablica to = \ n”, b)

Po pierwsze, biblioteki Numpy i Sklearn są importowane do użycia metody Array () i normalizowania w programie. Deklarowana tablica jest przekazywana do funkcji Normalize () w celu wykonywania normalizacji, a polecenie print () służy do wyświetlania znormalizowanego wyniku. Zobacz wygenerowane dane wyjściowe poniżej:

Przykład 5

Tylko sposób, w jaki znormalizowaliśmy tablicę 1-D, tablicę 2-D można również znormalizować za pomocą tego samego procesu. Wszystkie tablice wymiarowe można znormalizować za pomocą funkcji biblioteki Numpy. W tym przykładzie tablica 2-D jest znormalizowana za pomocą funkcji normy (). Zobacz kod referencyjny podany na zrzucie ekranu poniżej:

importować Numpy jako NPY
a = npy.tablica ([[3, 2, 6], [4, 8, 9]])
B = npy.Linalg.Norm (a)
drukuj („tablica to = \ n”, a)
drukuj („\ n znormalizowana wartość to = ', b)
n = a/b
druk („\ n znormalizowana tablica to = \ n ', n)

Jak można zauważyć, użyliśmy tego samego kodu i procesu, co w poprzednich przykładach. Zmieniliśmy tablicę z 1-D na 2-D. Na poniższym wyjściu zauważysz, że funkcja normy () obsługuje podaną tablicę w taki sam sposób, jak ona jest dostarczana. Jeśli podana tablica wynosi 1-D, wówczas wynikowe znormalizowane dane będą w 1-d. Ale jeśli podana tablica wynosi 2-D lub 3-D lub N-D, wówczas wynikowe znormalizowane wyjście wyniesie 2-D lub 3-D lub N-D. Poniżej znajduje się wyjście funkcji normy ():

Przykład 6

W tym przykładzie użyje funkcji Normalize () biblioteki Sklearn, aby znormalizować tablicę 2-D. Zauważ, że kod jest taki sam; Tylko dane wejściowe to tablica 2D. Zobacz kod referencyjny podany poniżej:

importować Numpy jako NPY
a = npy.tablica ([[3, 2, 6], [4, 8, 9]])
B = normalizuj (a)
drukuj („tablica to = \ n”, a)
drukuj („\ n znormalizowana wartość to = ', b)
n = a/b
druk („\ n znormalizowana tablica to = \ n ', n)

Ponownie znormalizowana funkcja daje znormalizowaną tablicę w taki sam sposób, jak podawanie wejścia. Poniżej znajduje się wynik kodu:

Wniosek

W tym artykule mieliśmy szybką wycieczkę po metodzie normalizacji Numpy. Pojęcie normalizacji jest proces skalowania podanych danych w żądanej serii. W tym artykule zbadaliśmy metodę normalizacji Numpy wraz z metodą normalizowaną Sklearn. Za pomocą przykładów uczymy się, jak korzystać z funkcji normy () i normalizuj () w programach Python.