快捷導(dǎo)航

Python?NumPy實(shí)用函數(shù)筆記之a(chǎn)llclose

更新時(shí)間：2022年01月13日 15:47:37 作者：學(xué)習(xí)愛(ài)好者fz

這篇文章主要給大家介紹了關(guān)于Python?NumPy實(shí)用函數(shù)筆記之a(chǎn)llclose的相關(guān)資料,文中通過(guò)實(shí)例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下

numpy 數(shù)組及運(yùn)算

擴(kuò)展庫(kù) numpy 是 Python 支持科學(xué)計(jì)算的重要擴(kuò)展庫(kù)，是數(shù)據(jù)分析和科學(xué)計(jì)算領(lǐng)域如 scipy、pandas、sklearn 等眾多擴(kuò)展庫(kù)中必備的擴(kuò)展庫(kù)之一，提供了強(qiáng)大的 N 維數(shù)組及其相關(guān)的運(yùn)算、復(fù)雜的廣播函數(shù)、C/C++和Fortran代碼集成工具以及線性代數(shù)、傅里葉變換和隨機(jī)數(shù)生成等功能。

創(chuàng)建數(shù)組

數(shù)組是用來(lái)存儲(chǔ)若干數(shù)據(jù)的連續(xù)內(nèi)存空間，其中的元素一般是相同類型的，例如都是浮點(diǎn)數(shù)。數(shù)組運(yùn)算是學(xué)習(xí)數(shù)據(jù)分析和機(jī)器學(xué)習(xí)相關(guān)算法的重要基礎(chǔ)。在我們處理實(shí)際數(shù)據(jù)的時(shí)候，總會(huì)用到大量的數(shù)組運(yùn)算或者矩陣的運(yùn)算，這些數(shù)據(jù)有的是通過(guò)文件直接讀取的，有的則是根據(jù)實(shí)際需要生成的，當(dāng)然還有些數(shù)據(jù)是實(shí)時(shí)采集的。

import numpy as npnp.array([1, 2, 3, 4, 5])# -> array([1, 2, 3, 4, 5])np.array(range(5))# -> array([0, 1, 2, 3, 4])np.array([1, 2, 3],[4, 5, 6])# -> array([[1, 2, 3],#[4, 5, 6]])np.arange(5)#-> array([0, 1, 2, 3, 4])np.arange(1, 10, 2)#-> array([1, 3, 5, 7, 9])np.linspace(0, 10, 11)#-> array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])np.linspace(0, 10, 11, endpoint=False)#-> array([0.        , 0.90909091, 1.81818182, 2.72727273, 3.63636364,#       4.54545455, 5.45454545, 6.36363636, 7.27272727, 8.18181818,#       9.09090909])np.logspace(0, 100, 10)#-> array([1.00000000e+000, 1.29154967e+011, 1.66810054e+022, 2.15443469e+033,#       2.78255940e+044, 3.59381366e+055, 4.64158883e+066, 5.99484250e+077,#       7.74263683e+088, 1.00000000e+100])np.logspace(1, 6, 5, base=2)#-> array([ 2.        ,  4.75682846, 11.3137085 , 26.90868529, 64.        ])np.zeros(3)#-> array([0., 0., 0.])np.ones(3)#-> array([1., 1., 1.])np.zeros((3, 3))#-> array([[0., 0., 0.],#       [0., 0., 0.],#       [0., 0., 0.]])np.ones((3, 3))#-> array([[1., 1., 1.],#       [1., 1., 1.],#       [1., 1., 1.]])np.identity(3)#-> array([[1., 0., 0.],#       [0., 1., 0.],#       [0., 0., 1.]])np.empty((3, 3))#-> array([[1., 0., 0.],#       [0., 1., 0.],#       [0., 0., 1.]])np.hamming(20)#-> array([0.08      , 0.10492407, 0.17699537, 0.28840385, 0.42707668,#       0.5779865 , 0.7247799 , 0.85154952, 0.94455793, 0.9937262 ,#       0.9937262 , 0.94455793, 0.85154952, 0.7247799 , 0.5779865 ,#       0.42707668, 0.28840385, 0.17699537, 0.10492407, 0.08      ])np.blackman(20)#-> array([-1.38777878e-17,  1.02226199e-02,  4.50685843e-02,  1.14390287e-01,#        2.26899356e-01,  3.82380768e-01,  5.66665187e-01,  7.52034438e-01,#        9.03492728e-01,  9.88846031e-01,  9.88846031e-01,  9.03492728e-01,#        7.52034438e-01,  5.66665187e-01,  3.82380768e-01,  2.26899356e-01,#        1.14390287e-01,  4.50685843e-02,  1.02226199e-02, -1.38777878e-17])np.kaiser(12, 5)#-> array([0.03671089, 0.16199525, 0.36683806, 0.61609304, 0.84458838,#       0.98167828, 0.98167828, 0.84458838, 0.61609304, 0.36683806,#       0.16199525, 0.03671089])np.random.randint(0, 50, 5)#-> array([ 6, 43, 33, 11,  5])np.random.randint(0, 50, (3,5))#-> array([[45, 30, 17, 31, 25],#       [11, 32, 47, 48,  5],#       [22, 29,  3,  9, 28]])np.random.rand(10)#-> array([0.53459796, 0.59163821, 0.11611952, 0.68199147, 0.03725451,#       0.57498382, 0.15140171, 0.33914725, 0.90706282, 0.68518446])np.random.standard_normal(5)#-> array([-0.62939386, -0.16023864,  1.67463293, -0.44869975,  0.97008488])np.random.standard_normal(size=(3, 4, 2))#-> array([[[-0.7924237 , -2.02222271],#        [-0.7360387 , -1.88832641],#        [-0.43188511, -0.40672139],#        [ 2.03058394,  1.007505  ]],##       [[ 0.35664297,  1.9308035 ],#        [ 0.56456596, -1.02357394],#        [ 1.45042549, -0.59816538],#        [-0.00659242,  0.15439743]],##       [[-1.31088702, -0.167339  ],#        [ 0.44439704,  0.00819551],#        [-2.39637084, -0.07890167],#        [ 0.53474018,  1.18425122]]])np.diag([1, 2, 3, 4])#-> array([[1, 0, 0, 0],#       [0, 2, 0, 0],#       [0, 0, 3, 0],#       [0, 0, 0, 4]])

NumPy函數(shù)allclose()用于匹配兩個(gè)數(shù)組，輸出為布爾值，默認(rèn)在1e-05的誤差范圍內(nèi)。如果兩個(gè)數(shù)組中的項(xiàng)在容忍范圍內(nèi)不相等，則返回False。這是一種檢查兩個(gè)數(shù)組是否每個(gè)元素都相似的好方法。

allclose()

numpy.allclose(a, b, rtol=1.e-5, atol=1.e-8, equal_nan=False)

其中參數(shù)：

a是numpy數(shù)組
b是numpy數(shù)組
rtol是容許的相對(duì)最大誤差系數(shù)，默認(rèn)值是1.0e-5，則容許誤差為rtol * abs(b)
atol是a和b數(shù)組分別求和比較絕對(duì)值的差別
equal_nan是是否將缺失值視為相同，默認(rèn)是False

下面舉個(gè)具體的例子：

輸入：

array1 = np.array([0.12,0.17,0.24,0.29])
array2 = np.array([0.13,0.19,0.26,0.31])

輸入：

np.allclose(array1,array2,0.1)

輸出：

False

原因是rtol=0.1，那么(0.19 - 0.17) > (0.19 * 0.1)

把a(bǔ)rray1中的0.17改成0.18

輸入：

array3 = np.array([0.12,0.18,0.24,0.29])

輸入：

np.allclose(array3,array2,0.1)

輸出：

True

總結(jié)

到此這篇關(guān)于Python NumPy實(shí)用函數(shù)筆記之a(chǎn)llclose的文章就介紹到這了,更多相關(guān)NumPy實(shí)用函數(shù)allclose內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: