NumPy入门基础语法学习8

广播的实际应用

01. 数组的归一化

在前面的一节中，我们看到通用函数让 NumPy 用户免于写很慢的

Python 循环。广播进一步扩展了这个功能，一个常见的例子就是数

组数据的归一化。假设你有一个有 10 个观察值的数组，每个观察

值包含 3 个数值。 我们将用一个 10×3 的数组存放该数据：

X = np.random.random((10, 3))
X

array([[0.55264619, 0.0669091 , 0.30293985],
       [0.91052963, 0.03485153, 0.74247044],
       [0.50012938, 0.68384604, 0.12966619],
       [0.11133564, 0.20995151, 0.41285416],
       [0.72184877, 0.46878861, 0.67614857],
       [0.00367248, 0.79193403, 0.7893964 ],
       [0.03832598, 0.16219652, 0.98850594],
       [0.09408313, 0.97329599, 0.15448008],
       [0.76594461, 0.77699128, 0.88225423],
       [0.17258578, 0.2612646 , 0.64148811]])

我们可以计算每个特征的均值，计算方法是利用 mean 函数沿着第

一个维度聚合：

 

Xmean = X.mean(0)
Xmean


array([0.38711016, 0.44300292, 0.5720204 ])

现在通过从 X 数组的元素中减去这个均值实现归一化（该操作是一 个广播操作）：

为了进一步核对我们的处理是否正确，可以查看归一化的数组的均 值是否接近 0：

 X_centered = X - Xmean

 X_centered.mean(0)

 array([-3.88578059e-17, -1.11022302e-17,  2.22044605e-17])

在机器精度范围内，该均值为 0 。

02. 画一个二维函数

广播另外一个非常有用的地方在于，它能基于二维函数显示图像。

我们希望定义一个函数 z = f ( x , y ) ，可以用广播沿着数值区间计算

该函数

# x和y表示0~5区间50个步长的序列 
x = np.linspace(0, 5, 50)
y = np.linspace(0, 5, 50)[:, np.newaxis]
z = np.sin(x) ** 10 + np.cos(10 + y * x) * np.cos(x)
#我们将用 Matplotlib 来画出这个二维数组：
%matplotlib inline 
import matplotlib.pyplot as plt
plt.imshow(z, origin='lower', extent=[0, 5, 0, 5], cmap='viridis') 
plt.colorbar();

结果如图 2-5 所示，这是一个引人注目的二维函数可视化。

 

 

图 2-5 ：一个二维数值的可视化

 

示例：统计下雨天数

假设你有一系列表示某城市一年内日降水量的数据，这里将用

Pandas后面会介绍 加载 2014 年西雅图市的日降水统计数

据：

import numpy as np 
import pandas as pd  # 利用Pandas抽取降雨量，放入一个NumPy数组 
rainfall = pd.read_csv('C:\\Users\\Administrator\\Desktop\\shuju\\Seattle2014.csv')['PRCP'].values
inches = rainfall / 254  # 1/10mm -> inches
inches.shape

(365,)

这个数组包含 365 个值，给出了从 2014 年 1 月 1 日至 2014 年 12 月 31

日每天的降水量。这里降水量的单位是英寸。

首先做一个快速的可视化，用 Matplotlib （将在后面章节学习）生成下雨天数的直方图，如图 2-6 所示：

%matplotlib inline 
import matplotlib.pyplot as plt 
import seaborn; seaborn.set() # 设置绘图风格
plt.hist(inches, 40);

图 2-6 ： 2014 年西雅图市降水量直方图

 

该直方图表明了这些数据的大意：尽管人们对西雅图市有刻板印象，但

是 2014 年它大多

数时间的降水量都是接近 0 的。但是这样做并没有很好地传递出我们希

望看到的某些信息，例如一年中有多少天在下雨，这些下雨天的平均降

水量是多少，有多少天的降水量超过了半英寸？

 

和通用函数类似的比较操作

2.3 节介绍了通用函数，并且特别关注了算术运算符。我们看到用

+ 、 - 、 * 、 / 和其他一些运算符实现了数组的逐元素操作。 NumPy 还实

现了如 < （小于）和 > （大于）的逐元素比较的通用函数。这些比较运

算的结果是一个布尔数据类型的数组。一共有 6 种标准的比较操作：

 

x = np.array([1, 2, 3, 4, 5]) 
x < 3 # 小于

array([ True,  True, False, False, False])

x > 3 # 大于

array([False, False, False,  True,  True])

另外，利用复合表达式实现对两个数组的逐元素比较也是可行的：

 

 (2 * x) == (x ** 2)

array([False,  True, False, False, False])

和算术运算符一样，比较运算操作在 NumPy 中也是借助通用函数来实

现的。例如当你写 x < 3 时， NumPy 内部会使用 np.less(x, 3)。这些比较运算符和其对应的通用函数如下表所示。

 

和算术运算通用函数一样，这些比较运算通用函数也可以用于任意形

状、大小的数组。下面是一个二维数组的示例：

 

 

这样每次计算的结果都是布尔数组了。 NumPy 提供了一些简明的模式

来操作这些布尔结果。