利用 Python 原生的功能,创建一个二维的 list,变量名称为 x ,其 shape 为 (3,1)
In [3]: x = [[3],[1],[4]]
In [15]: x
Out[15]: [[3], [1], [4]]
现在我想把它扩展为 (3,4)的二维 list, 并且每列都为 [3, 1, 4],如下所示:
Out[20]: [[3, 3, 3, 3], [1, 1, 1, 1], [4, 4, 4, 4]]
利用 list 的 [] * 4 便可扩展成上面的二维形式
In [20]: list(map(lambda i: i*4, x))
同理,创建一个二维 list , 变量名称为 y, 其 shape 为 (1, 4)
In [6]: y = [[5,1,3,2]]
In [16]: y
Out[16]: [[5, 1, 3, 2]]
然后,扩展为 (3,4) 的二维 list
In [22]: y*3
Out[22]: [[5, 1, 3, 2], [5, 1, 3, 2], [5, 1, 3, 2]]
好了,现在二维 list 变量 x, y, shape 变为一样了。
接下来,分别比较它们各自的对应元素,如果 x[i][j] < y[i][j] ,则选择 x[i][j] ,并加 1, 否则,选择 y[i][j], 并减 1,并返回一个对应维度的二维 list.
实现以上功能,还得至少需要以下 3 行代码,返回结果 result
In [29]: result = []
...: for i, j in zip(x,y):
...: result.append([ii+1 if ii<jj else jj-1 for ii, jj in zip(i,j)])
...:
In [30]: result
Out[30]: [[4, 0, 2, 1], [2, 0, 2, 2], [5, 0, 2, 1]]
综上,大概一共需要 7,8 行代码得到想要的结果
如果使用 Numpy 中的函数,可能只需要 1 行,
In [33]: np.where(np.array(x)<np.array(y),np.array(x)+1,np.array(y)-1)
Out[33]:
array([[4, 0, 2, 1],
[2, 0, 2, 2],
[5, 0, 2, 1]])
np.where 第一个参数,意义为判断条件,官方的解释如下,x , y 和 condition 需要是可广播的,并最终传播为某种 shape.
x, y : array_like
Values from which to choose. `x`, `y` and `condition` need to be
broadcastable to some shape.
之所以,从文章开头到后面大部分篇幅,都在使用 Python 原生的功能实现与 Numpy 同样的效果,就是为了更好的说明 Numpy 的传播机制。
通过对比,或许更容易明白 Numpy 的传播机制。希望效果真如此吧!
我正在系统性地编写一门小课,里面涵盖了入门数据分析的几乎所有核心知识,可以说是干货十足,2 人组团买只需 9 块多,详细参考:关于数据分析的学习路线,我准备写一篇 2 万+的 chat,购买后,你还可以通过「分享卡片」,一位朋友通过你分享的卡片,购买后,你可以赚取 2.5 元的外块。如果搞定 5 个,一顿早餐就出来了
参与入口:长按下图即可转到链接。
长按二维码参与
最后,小编感谢你的捧场,如果转发此文或告诉身边更多的朋友地话,将不胜感激。
Python与机器学习算法频道
长按订阅,干货满满