Numpy normalisieren die Methode

Die Python -Programmiersprache hat das Leben der Programmierer mit seinen nützlichen Bibliotheken erleichtert. Der Numpy ist eine Open-Source-Bibliothek, die mit Arrays verwendet wird, und eine häufigste Bibliothek für die Durchführung einer beliebigen Art von numerischen Berechnungen. Numpy steht für numerische Python, was bedeutet. Es liefert die Normalize -Methode, um Arrays, Vektoren und alles zu normalisieren. In diesem Artikel wird die Numph -Normalisierung der Methode in Python -Programmen untersucht. Durch die Verwendung einiger einfacher und einfacher Beispiele zeigen wir, wie die angegebenen Daten mithilfe der Numpy Normalize -Methode normalisiert werden können.

Was ist die numpy Normalize -Methode?

Datenwissenschaftler und Datenanalysten sind sich der Datennormalisierung sehr gut bewusst. Die Datennormalisierung ist ein Prozess des Anpassens von Daten von verschiedenen Skalen auf eine gemeinsame Skala. Normalisierung ist einfach der Prozess der Skalierung einer Datenreihe zum gewünschten Bereich. Numpy ist eine der mächtigsten mathematischen Bibliotheken in Ihrer Python -Programmiersprache. Es bietet die Normalize -Methode, um die angegebene Liste der Daten zu normalisieren. Lassen Sie uns nun lernen, wie Sie die Numpy Normalize -Methode in Python -Programmen verwenden.

Beispiel 1

Dieses erste Beispiel ist einfach und grundlegend und für alle Arten von Entwicklern entwickelt, ich.e., Anfänger und Experten. Hier werden wir den Numpy verwenden.Linalg.Norm () Funktion zur Normalisierung eines Vektors. Der Referenzcode ist nachstehend für Ihre Anleitung angegeben. Schauen Sie sich an.

Numph als NPY importieren
npy.willkürlich.Samen (5)
ary = npy.willkürlich.Rand (20)
v_norm = npy.Linalg.Norm (Ary)
print ("Der normalisierte Vektor ist =", v_norm)

Das Programm begann mit dem Importieren der Numpy -Bibliothek im Programm mit der Aussage „Import Numpy as NPY“. Die variable NPY repräsentiert die Numpy -Bibliothek im gesamten Programm und wird verwendet, um die Norm () -Funktion im Programm aufzurufen. Die SEED () -Funktion wird verwendet, um den Zufallszahlengenerator mit 5 zu initialisieren. Die npy.willkürlich.Saatgut (5) Anweisung initialisiert die Funktion random.

Danach die NPY.willkürlich.Rand (20) Anweisung wird verwendet, um ein Array von 20 Zufallszahlen zu erstellen. Das berechnete Array ist an die Norm () -Funktion übergeben, um es mithilfe der NPY zu normalisieren.Linalg.Norm (ARY) Aussage. Die Anweisung print () ist nützlich, um jede Ausgabe auf dem Bildschirm anzuzeigen. Wir haben sie verwendet, um den normalisierten Vektorwert des Computerarrays anzuzeigen. Nachfolgend ist die Ausgabe angegeben:

Beispiel 2

Abgesehen von der Norm () -Funktion haben wir eine normalisierte Methode, die von der Sklearn -Bibliothek bereitgestellt wird. In diesem Beispiel werden wir die Normalize -Methode verwenden, um die angegebenen Daten zu normalisieren. Das Referenzbeispiel ist nachstehend angegeben, um zu verstehen, wie die von der Sklearn -Bibliothek bereitgestellte Normalize -Methode verwendet wird, um einen Vektor zu normalisieren:

Numph als NPY importieren
von Sklearn.Vorverarbeitungsimport normalisieren
npy.willkürlich.Samen (5)
ary = npy.willkürlich.Rand (10).Umschaffung (2,5)
v_norm = normalisieren (arr)
print ("Der normalisierte Vektor ist = \ n", v_norm)

Hier wird die Numpy -Bibliothek unter Verwendung der Aussage „Importieren Numpy als NPY“ in das Programm importiert. Danach wird die Sklearn -Bibliothek mit „From Sklearn in das Programm importiert.Vorverarbeitungsimportnormalisierung “Aussage. Die Saatgut -Funktion (5) wird verwendet.Rand (10) -Funktion wird verwendet, um 10 Zufallszahlen zu generieren.

Wenn Sie es bemerken, haben wir die Erklärung der Reshape (2,5) verwendet, um das Array in 2-D neu zu formen. Also, wenn wir die NPY ausführen.willkürlich.Rand (10).Reshape (2, 5) Anweisung, 20 Zufallszahlen werden generiert, wobei jede Array -Dimension 10 Elemente enthält. Das berechnete 2-D-Array wird an die Normalize () -Funktion übergeben, um das normalisierte Ergebnis daraus zu erhalten. Mit der Anweisung print () wird das normalisierte Array von 20 Elementen angezeigt. Siehe die Ausgabe des Programms unten:

Beispiel 3

Zuvor haben wir gelernt, wie man Vektoren mithilfe der Funktionen Norm () und Normalize () normalisiert. In diesem Beispiel lernen Sie, wie Sie ein Array mithilfe der Norm () -Funktion normalisieren können. Der Referenzcode ist im folgenden Screenshot angegeben:

Numph als NPY importieren
a = npy.Array ([3, 2, 6, 4, 8, 9])
B = NPY.Linalg.Norm (a)
print ('das Array ist = \ n', a)
print ('\ nDie normalisierter Wert ist =', b)
n = a/b
print ('\ nDie normalisiertes Array ist = \ n', n)

Die Numpy -Bibliothek wird in das Programm importiert, damit wir die damit verbundene Norm () -Funktion verwenden können. Ein Array „A“ wird mit der NPY deklariert.Array () Funktion mit 6 Elementen enthält. Das Array „A“ wird an den Linalg übergeben.NORM () -Funktion zur Durchführung der Normalisierung. Wir haben drei Print () -Anweisungen verwendet, die erste print () -Anweisung wird verwendet, um das Original -Array, die zweite Print () -Anweisung anzuzeigen Um das normalisierte Array zu zeigen. Die Ausgabe ist wie folgt:

Beispiel 4

In diesem Beispiel werden wir dasselbe Array mit der Normalize -Methode der Sklearn -Bibliothek normalisieren. Der Referenzcode ist unten für Ihr Verständnis angegeben:

Numph als NPY importieren
von Sklearn.Vorverarbeitungsimport normalisieren
a = npy.Array ([3, 2, 6, 4, 8, 9])*5
b = normalisieren (a [:, npy.Newaxis], Axis = 0)
print ('Das normalisierte Array ist = \ n', b)

Erstens werden die Numpy- und Sklearn -Bibliotheken für die Verwendung des Array () und der Normalisierung der Methode im Programm importiert. Das deklarierte Array wird an die Normalize () -Funktion zur Durchführung der Normalisierung übergeben, und der Befehl print () wird verwendet, um das normalisierte Ergebnis anzuzeigen. Siehe die erzeugte Ausgabe unten:

Beispiel 5

So wie wir das 1-D-Array normalisiert haben, kann das 2-D-Array auch mit demselben Prozess normalisiert werden. Alle dimensionalen Arrays können mit den Funktionen der Numpy -Bibliothek normalisiert werden. In diesem Beispiel wird ein 2-D-Array unter Verwendung der Norm () -Funktion normalisiert. Siehe den Referenzcode im folgenden Screenshot:

Numph als NPY importieren
a = npy.Array ([[3, 2, 6], [4, 8, 9]])
B = NPY.Linalg.Norm (a)
print ('das Array ist = \ n', a)
print ('\ nDie normalisierter Wert ist =', b)
n = a/b
print ('\ nDie normalisiertes Array ist = \ n', n)

Wie Sie bemerken können, haben wir den gleichen Code und den gleichen Prozess verwendet wie in den vorherigen Beispielen. Wir haben das Array von 1-D auf 2-D geändert. Sie werden aus der folgenden Ausgabe feststellen. Wenn das angegebene Array 1-D ist, liegt die resultierenden normalisierten Daten in 1-D vor. Wenn das angegebene Array jedoch 2-D oder 3-D oder N-D ist, beträgt der resultierende normalisierte Ausgang 2-D oder 3-D oder N-D. Im Folgenden finden Sie die Ausgabe der Norm () -Funktion:

Beispiel 6

In diesem Beispiel wird die Normalize () -Funktion der Sklearn-Bibliothek verwendet, um das 2-D-Array zu normalisieren. Beachten Sie, dass der Code der gleiche ist; Nur die Eingabedaten sind ein 2-D-Array. Siehe den unten angegebenen Referenzcode:

Numph als NPY importieren
a = npy.Array ([[3, 2, 6], [4, 8, 9]])
b = normalisieren (a)
print ('das Array ist = \ n', a)
print ('\ nDie normalisierter Wert ist =', b)
n = a/b
print ('\ nDie normalisiertes Array ist = \ n', n)

Auch hier gibt die normalisierte Funktion das normalisierte Array auf die gleiche Weise wie die Eingabe angegeben. Nachfolgend ist das Ergebnis des Codes angegeben:

Abschluss

In diesem Artikel hatten wir einen kurzen Tour durch die Numpy Normalize -Methode. Das Konzept der Normalisierung ist der Prozess der Skalierung der angegebenen Daten zur gewünschten Reihe. In diesem Artikel haben wir die Numpy Normalize -Methode zusammen mit der Sklearn -Normalize -Methode untersucht. Mit Hilfe von Beispielen lernen wir, wie man die Funktionen Norm () und Normalize () in Python -Programmen verwendet.