我有以下代码试图规范化 m x n
数组的值(它将用作神经网络的输入,其中 m
是数字训练样例数,n
是特征数)。
但是,当我在脚本运行后检查解释器中的数组时,我发现这些值没有标准化;也就是说,它们仍然具有原始值。我猜这是因为函数内部对 array
变量的赋值只能在函数内部看到。
我怎样才能就地进行这种规范化?还是我必须从 normalize 函数返回一个新数组?
import numpy
def normalize(array, imin = -1, imax = 1):
"""I = Imin + (Imax-Imin)*(D-Dmin)/(Dmax-Dmin)"""
dmin = array.min()
dmax = array.max()
array = imin + (imax - imin)*(array - dmin)/(dmax - dmin)
print array[0]
def main():
array = numpy.loadtxt('test.csv', delimiter=',', skiprows=1)
for column in array.T:
normalize(column)
return array
if __name__ == "__main__":
a = main()
最佳答案
如果您想就地对 numpy 数组应用数学运算,您可以简单地使用标准的就地运算符 +=
、-=
、/=
等。例如:
>>> def foo(a):
... a += 10
...
>>> a = numpy.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> foo(a)
>>> a
array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
这些操作的就地版本启动速度要快一点,尤其是对于较大的阵列:
>>> def normalize_inplace(array, imin=-1, imax=1):
... dmin = array.min()
... dmax = array.max()
... array -= dmin
... array *= imax - imin
... array /= dmax - dmin
... array += imin
...
>>> def normalize_copy(array, imin=-1, imax=1):
... dmin = array.min()
... dmax = array.max()
... return imin + (imax - imin) * (array - dmin) / (dmax - dmin)
...
>>> a = numpy.arange(10000, dtype='f')
>>> %timeit normalize_inplace(a)
10000 loops, best of 3: 144 us per loop
>>> %timeit normalize_copy(a)
10000 loops, best of 3: 146 us per loop
>>> a = numpy.arange(1000000, dtype='f')
>>> %timeit normalize_inplace(a)
100 loops, best of 3: 12.8 ms per loop
>>> %timeit normalize_copy(a)
100 loops, best of 3: 16.4 ms per loop
关于python - Numpy修改数组到位?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/10149416/