python实战应用讲解-【numpy专题篇】numpy常见函数使用示例（三）（附python示例代码）

最新推荐文章于 2024-09-30 14:16:32 发布
最新推荐文章于 2024-09-30 14:16:32 发布
阅读量959 收藏
点赞数
分类专栏： 【python实战应用】从原理到实战案例精讲100篇 文章标签： numpy python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/getusushu/article/details/129646821
版权
本文详细介绍了numpy MaskedArray的几个关键函数，包括finfo()、masked_less()、masked_less_equal()、masked_not_equal()、masked_outside()和masked_where()。这些函数帮助处理缺失或无效数据，如屏蔽小于特定值的数组元素，或在指定范围内屏蔽数据。通过示例代码展示了每个函数的用法和效果。
摘要由CSDN通过智能技术生成

目录

Python numpy.finfo()函数

Python Numpy MaskedArray.masked_less()函数

Python Numpy MaskedArray.masked_less_equal()函数

Python Numpy MaskedArray.masked_not_equal()函数

Python Numpy MaskedArray masked_outside()函数

Python Numpy MaskedArray.masked_where()函数

Python numpy.finfo()函数

numpy.finfo()函数显示浮点类型的机器限制。

语法: numpy.finfo(dtype)

参数 :
dtype : [float, dtype, or instance] 获取信息的那种浮点数据类型。
返回：浮点类型的机器参数。

代码#1：

# Python program explaining
# numpy.finfo() function
           
# importing numpy as geek 
import numpy as geek 
       
gfg = geek.finfo(geek.float32)
     
print (gfg)

输出 :

Machine parameters for float32
---------------------------------------------------------------
precision =   6   resolution = 1.0000000e-06
machep &
了解本专栏 订阅专栏 解锁全文 超级会员免费看
格图素书
关注
专栏目录
订阅专栏
python实战应用讲解-【numpy专题篇】numpy常见函数使用示例（十）（附python示例代码）
getusushu的博客
04-06 753
Numpy直方图函数与matplotlib库的hist()函数类似，唯一的区别是Numpy直方图给出了数据集的数字表示，而hist()给出了数据集的图形表示。在Numpy中，我们可以在numpy.info()函数的帮助下获得关于函数、类或模块的所有信息，比如参数是什么，返回值的类型是什么。该函数有两个返回值hist和edge_bin，前者给出直方图的数值数组，后者是一个浮动数据类型的数组，包含长度比hist多一个的bin边缘。如果是一个类的元组，如果arg1是元组中任何一个元素的子类，则返回True。
python实战应用讲解-【numpy专题篇】numpy常见函数使用示例（二）（附python示例代码）
getusushu的博客
03-24 504
一阶差值由out[i] = arr[i+1] – arr[i]沿给定轴给出。这个函数计算的是信号处理文本中通常定义的相关性：c_{av}[k] = sum_n a[n+k] * conj(v[n])[int or tuple, optional] 用于计算非零点的轴或轴的元组。[int or array of int] 数组中沿给定轴的非零值的数量。[sequence] 一个代表数组的dtypes或dtype可转换对象的列表。[int, optional] 取差的轴，默认是最后一个轴。
python实战应用讲解-【numpy专题篇】numpy常见函数使用示例（八）（附python示例代码）
getusushu的博客
03-27 414
NumPy是Python中科学计算的基本包。Numpy数组有助于对大量数据进行高级数学和其他类型的操作。通常情况下，与使用Python的内置序列相比，这种操作的执行效率更高，代码更少。Numpy不是另一种编程语言，而是一个Python扩展模块。它对同质数据的数组提供快速有效的操作。我们可以使用Numpy.array()在python中创建一个N维数组。数组默认是同质的，这意味着数组内的数据必须是相同的数据类型。(注意你也可以在python中创建一个结构化数组）。可以进行元素的操作。
python实战应用讲解-【numpy专题篇】常见问题解惑（一）（附python示例代码）
getusushu的博客
03-19 364
另一种方法是使用row_stack()或column_stack()函数来解决这个错误，如果两个数组的列尺寸相同，那么可以使用row_stack()函数，如果一个数组的列尺寸和第二个数组的行尺寸相同，那么可以使用column_stack()函数来解决这个错误，数组将相应地被堆叠到另一个数组中。当你的环境中没有NumPy库，即NumPy模块没有安装，或者由于某种中断，某些部分的安装不完整，就会出现 “没有名为numpy的模块 “的错误。在输出中，np_array1被附加或堆叠在数组np_array2的顶部。
python实战应用讲解-【numpy专题篇】函数（附python示例代码）
getusushu的博客
03-03 107
NumPy 包含大量的数学运算的函数，包括，算术运算的函数，复数处理函数等。
python实战应用讲解-【numpy专题篇】numpy读写（附python示例代码）
getusushu的博客
03-21 160
Numpy可以读写磁盘上的文本数据或二进制数据，NumPy 为 ndarray 对象引入了一个简单的文件格式(.npy)。npy 文件用于存储重建 ndarray 所需的数据、图形、dtype 和其他信息。
python实战应用讲解-【numpy专题篇】numpy应用案例（一）（附python示例代码）
getusushu的博客
03-24 1902
最初在代码中，我们导入了所有需要的框架、包、库和模块，我们将利用它们来构建网络应用。我们还提供了一个下拉菜单，让用户选择制作水彩素描/制作铅笔素描，然后根据他们的选择，我们渲染结果。原始图像和应用滤镜后的图像都是并排呈现的，这样用户就可以比较这两张图像的结果。如果反馈给机器学习模型的数据没有得到很好的组织，它就会给出错误的或不想要的输出。原始数据是没有用的。用户可以进一步下载转换后的图片，在此之前，让我们了解一些我们将在本文中使用的定义。所以在这里，我们，作为一个数据科学家，我们可以帮助我们的朋友奥蒂斯。
python实战应用讲解-【numpy专题篇】常见问题解惑（九）（附python示例代码）
getusushu的博客
03-21 88
稀疏矩阵的维数可以通过以下方式降低：首先将密集矩阵表示为压缩稀疏行表示，其中稀疏矩阵使用三个一维数组来表示非零值、行的外延和列的索引。在这种情况下，我们不能有一个大维度的矩阵，因为它会增加问题的时间和空间复杂性，所以建议降低稀疏矩阵的维度。我们指定矩阵的行和列的开始和结束索引。在多波段图像的情况下，我们通常不希望沿Z轴插值来创建添加到图像中的新波段，因此我们应该为缩放系数参数传递一个序列而不是一个单一的数字。数组是一组类似的元素组合在一起形成的单一实体，也就是说，它基本上是整数、浮点数、字符等的集合。
python实战应用讲解-【numpy专题篇】常见问题解惑（四）（附python示例代码）
getusushu的博客
03-21 106
在实现部分，我们将编写两个函数，一个是成本函数，将实际输出和预测输出作为输入并返回损失，第二个是实际的梯度下降函数，将自变量、目标变量作为输入并使用梯度下降算法找到最佳拟合线。为了实现梯度下降算法，我们需要一个需要最小化的成本函数，迭代次数，确定每次迭代的步长的学习率，同时向最小值移动，在每次迭代中更新参数的权重和偏差的部分导数，以及一个预测函数。在我们的例子中，参数如下所述。从以上三次梯度下降的迭代中，我们可以注意到x的值是逐次递减的，并且通过运行梯度下降更多的迭代，会慢慢收敛到0（局部最小值）。
python实战应用讲解-【numpy专题篇】numpy常见函数使用示例（一）（附python示例代码）
getusushu的博客
03-25 223
2个整数的元组] 第一个整数是数组的第一个字节，第二个整数是刚刚超过数组的最后一个字节。如果Arr不是连续的，它将不会使用（低，高）值之间的每个字节。subok : [bool, optional] 如果为真，则子类将被通过，否则默认情况下，返回的数组将被强制为基类数组。NumPy模块中char类的add()方法用于str或unicode的两个数组的元素间字符串连接。NumPy模块中char类的multiply()方法用于元素间的字符串多重连接。函数返回一个标量类型，该类型是输入数组所共有的。
python实战应用讲解-【numpy专题篇】numpy常见函数使用示例（十三）（附python示例代码）
getusushu的博客
04-02 304
MaskedArray] 一个带掩码元素的掩码数组，其中条件为掩码的元素来自x，条件为True的元素来自y，其他地方的元素来自y。[bool or ndarray]返回一个新的布尔值或ndarray，除非指定out，在这种情况下，返回一个对out的引用。[index_array ]返回一个新的integer_array，除非指定out，在这种情况下，返回一个对out的引用。[ndarray, bool] 返回一个新的布尔值或数组，除非指定out，在这种情况下，返回一个对out的引用。
python实战应用讲解-【numpy专题篇】numpy常见函数使用示例（九）（附python示例代码）
getusushu的博客
03-28 307
在numpy.isnat()方法的帮助下，如果np.datetime64()方法中定义的日期不是时间，我们可以通过numpy.isnat()方法获得布尔值为真。在numpy.ma.masked_equal()方法的帮助下，我们可以通过numpy.ma.masked_equal()方法获得数组中的一个值的屏蔽。在numpy.getmask()方法的帮助下，我们可以得到numpy数组的屏蔽矩阵，通过使用numpy.getmask()方法可以显示出屏蔽的数值。
VeighNa：强大的Python开源量化交易平台
Unity打怪升级
09-26 676
VeighNa（简称 VN 或 vn.py）是一个基于 Python 的开源量化交易平台，专为量化交易爱好者和专业交易员设计。VeighNa 是由国内开发者社区推动的开源项目，旨在提供一个功能丰富、灵活且易于扩展的量化交易解决方案。该框架不仅支持多种资产类别的交易，如股票、期货、期权、加密货币等，还支持多种交易接口和协议，使得用户能够轻松进行多市场、多品种的交易策略开发和部署。
第二百五十四节 JPA教程 - JPA 多对多映射示例
2301_78772942的博客
09-27 693
第二百五十四节 JPA教程 - JPA 多对多映射示例
python中的深浅拷贝以及总体框架了解
AgostoDu的博客
09-26 1149
1、当b使用copy.deepcopy()深拷贝的时候，可以理解为b不仅外面的整体开辟了一个新的内存地址，b里面包含的列表也开辟了新的内存地址和a里面的内存地址没有任何关系，所以当a修改里面列表元素的值时不会影响b里面列表元素的值。print(mr) #{'name': 'lis', 'age': 18, 'scroe': 100}<br>备注：已经存在的值的优先级>默认值<br>6.3 直接修改 值，显示最新修改值 （修改默认值优先级小于直接添加的字典值）<br>
Python精选200Tips：171-175
AnFany
09-26 1220
Python深度学习的项目
ubuntu安装libtorch
meng_152634的博客
09-25 743
nouveau是由第三方为NVIDIA显卡开发的一个开源3D驱动，ubuntu默认集成了nouveau驱动，安装NVIDIA驱动前必须禁用系统自带的显卡驱动nouveau，否则安装NVIDIA驱动时会报错。，一定要确定好安装的CUDA版本是否支持显卡的算力，否则安装成功也无法使用GPU加速。如果cmake版本低于3.18，会出现下面的报错，这是由于低于3.18的cmake不支持CUDA17的编译，需要更新cmake版本。因为安装的CUDA版本为12.1，这里选择最新版的CUDNN 9.4.0进行安装。
遥感影像-实例分割数据集：iSAID 从切图到YOLO格式数据集制作详细介绍
最新发布
GIS潮流
09-30 596
开源数据集isaid标注包含实例分割，但是原始影像太大，很吃显存，一般显卡无法用原始影像直接训练，所以需要对影像进行裁剪，并生成对应的标签，因为想用yolo系列跑模型，所以将标签需要转为txt格式。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

格图素书

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值