精华内容
下载资源
问答
  • numpy 归一化 与 标准化
    千次阅读
    2019-09-13 02:06:25

    代码

    import numpy as np
    
    
    def normalization(x):
        """"
        归一化到区间{0,1]
        返回副本
        """
        _range = np.max(x) - np.min(x)
        return (x - np.min(x)) / _range
    
    
    def standardization(x):
        """"
         将输入x 正态标准化  (x - mu) / sigma   ~   N(0,1)
         返回副本
        """
        mu = np.mean(x, axis=0)
        sigma = np.std(x, axis=0)
        return (x - mu) / sigma
    
    
    YUAN = np.random.randint(3, 70, size=5)
    a = normalization(YUAN)
    b = standardization(YUAN)
    print(YUAN, "normalization:", a)
    print(YUAN is a)
    print(YUAN, "standardization:", b)
    print(YUAN is b)
    
    

    结果

    [33 50 60 12 32] normalization: [0.4375     0.79166667 1.         0.         0.41666667]
    False
    [33 50 60 12 32] standardization: [-0.26647587  0.76308999  1.36871697 -1.53829253 -0.32703857]
    False
    

    sklearn.preprocessing.scale 能沿某个轴标准化

    import numpy as np
    from sklearn import  preprocessing
    
    def standardization(x):
        """"
         将输入x 正态标准化  (x - mu) / sigma   ~   N(0,1)
         返回副本
        """
        mu = np.mean(x, axis=0)
        sigma = np.std(x, axis=0)
        return (x - mu) / sigma
    
    YUAN = np.random.randint(3, 70, size=5)
    a = standardization(YUAN)
    b = preprocessing.scale(YUAN)
    
    print(YUAN, "normalization:", a)
    print(YUAN, "preprocessing.scale:", b)
    
    print(a == b)
    
    

    结果

    [ 8 14 64 51 61] normalization: [-1.32656065 -1.07468204  1.02430632  0.47856935  0.89836702]
    [ 8 14 64 51 61] preprocessing.scale: [-1.32656065 -1.07468204  1.02430632  0.47856935  0.89836702]
    [ True  True  True  True  True]
    
    更多相关内容
  • 今天小编就为大家分享一篇浅谈利用numpy对矩阵进行归一化处理的方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
  • 以上这篇python numpy 按行归一化的实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持软件开发网。 您可能感兴趣的文章:详解python实现数据归一化处理的方式:(0,1)标准化Python...
  • Python numpy 归一化和标准化 代码实现

    万次阅读 多人点赞 2019-01-14 13:29:04
    归一化 (Normalization)、标准化 (Standardization)和中心化/零均值化 (Zero-centered) def normalization(data): _range = np.max(data) - np.min(data) return (data - np.min(data)) / _range def ...

    归一化 (Normalization)、标准化 (Standardization)和中心化/零均值化 (Zero-centered)

    def normalization(data):
        _range = np.max(data) - np.min(data)
        return (data - np.min(data)) / _range
    
    
    def standardization(data):
        mu = np.mean(data, axis=0)
        sigma = np.std(data, axis=0)
        return (data - mu) / sigma


    更新,如果归一化后的范围是[-1, 1]的话,可以将normalization()函数改为:

    def normalization(data):
        _range = np.max(abs(data))
        return data / _range
    


    此外,我看了一些GitHub上面的代码,发现很多人在预处理输入到神经网络中的数据时,使用的normalization函数其实是进行了标准化,而不是归一化,比如:

    展开全文
  • numpy实现归一化

    2021-09-26 10:12:46
    主要是通过numpy的操作实现以下公式: x∗=x−min(x)max(x)−min(x)x^* = \frac{x-min(x)}{max(x)-min(x)}x∗=max(x)−min(x)x−min...2、归一化 #归一化 X_nor = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0

    主要是通过numpy的操作实现以下公式:
    x ∗ = x − m i n ( x ) m a x ( x ) − m i n ( x ) x^* = \frac{x-min(x)}{max(x)-min(x)} x=max(x)min(x)xmin(x)

    1、导入库

    import numpy as np
    X = np.array([[-1, 2], [-0.5, 6], [0, 10], [1, 18]])
    

    2、归一化

    #归一化
    X_nor = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
    X_nor
    

    3、逆转归一化

    # 逆转归一化
    X_returned = X_nor * (X.max(axis=0) - X.min(axis=0)) + X.min(axis=0)
    X_returned
    
    展开全文
  • 利用numpy归一化

    2019-10-23 10:49:07
    利用numpy归一化 归一化公式为 import numpy as np x = np.array([[-1,2],[-0.5,6],[0,10],[1,18]]) print(x) #归一化 x_nor = (x - x.min(axis=0))/(x.max(axis=0)-x.min(axis=0)) #(某个元素-它这列...

    利用numpy求归一化

    归一化公式为:
    在这里插入图片描述

    import numpy as np
    x = np.array([[-1,2],[-0.5,6],[0,10],[1,18]])
    print(x)
    #归一化
    x_nor = (x - x.min(axis=0))/(x.max(axis=0)-x.min(axis=0))  #(某个元素-它这列最小的数)/(它这列最大的数-它这列最小的数)
    print(x_nor)
    #逆转归一化
    x_return = x_nor*(x.max(axis=0)-x.min(axis=0))+x.min(axis=0)
    print(x_return)
    
    [[-1.   2. ]
     [-0.5  6. ]
     [ 0.  10. ]
     [ 1.  18. ]]
     
    [[0.   0.  ]
     [0.25 0.25]
     [0.5  0.5 ]
     [1.   1.  ]]
     
    [[-1.   2. ]
     [-0.5  6. ]
     [ 0.  10. ]
     [ 1.  18. ]]
    
    展开全文
  • Numpy之数据归一化

    万次阅读 2019-08-20 09:19:50
    最值归一化: 把所有的数据映射到0-1之间 适用于有明显边界的情况,受Outlier影响大 均值方差归一化(Standardization): 把所有数据归一到均值为0方差为1的数据中 既适用于数据没有明显的边界,有可能存在极端数据值...
  • numpy实现FFT归一化

    2020-12-05 09:45:31
    刚开始使用numpy包,并开始用一个简单的任务来计算输入信号的FFT。代码如下:import numpy as npimport matplotlib.pyplot as plt#Some constantsL = 128p = 2X = 20x = np.arange(-X/2,X/2,X/L)fft_x = np.linspace...
  • numpy按行归一化numpy按列归一化

    千次阅读 2021-12-02 22:48:10
    按列归一化: import numpy as np x = np.array([[10, 10, 10], [ 1, 5, 3], [ 8, 7, 1]]) x_norm = x / x.max(axis=0) # 0列,1行。 这个要具体问题具体分析 print(x_norm) # [[ 1. 1. 1. ] # [ 0.1 0.5 ...
  • 多数情况下,需要对数据集进行归一化处理,再对数据进行分析 #首先,引入两个库 ,numpy,sklearn from sklearn.preprocessing import MinMaxScaler import numpy as np #将csv文件导入矩阵当中 my_matrix = np....
  • NumPy数据的归一化

    万次阅读 2019-06-13 16:31:00
    NumPy数据的归一化 数据的归一化 首先我们来看看归一化的概念: 数据的标准化(normalization)和归一化 数据的标准化(normalization)是将数据按比例缩放,使之落入一个小的特定区间。在某些比较和...
  • NumPy 数据归一化、可视化

    千次阅读 2020-10-11 21:02:02
    仅使用 NumPy,下载数据,归一化,使用 seaborn 展示数据分布。下载数据import numpy as np url = 'https://archive.ics.u...
  • 本文不讲归一化原理,只介绍实现(事实上看了代码就会懂原理),代码如下: def Normalize(data): m = np.mean(data) mx = max(data) mn = min(data) return [(float(i) - m) / (mx - mn) for i in data] ...
  • numpy 矩阵归一化

    千次阅读 2018-01-18 18:09:00
    new_value = (value - min)/(max-min) def normalization(datingDatamat): max_arr = datingDatamat.max(axis=0) min_arr = datingDatamat.min(axis=0) ranges = max_arr - min_arr norDataSet = zeros(...
  • 代码 import numpy as np def NormMinandMax(npdarr, min=0, max=1): ... 将数据npdarr 归一化到[min,max]区间的方法 返回 副本 """ arr = npdarr.flatten() Ymax = np.max(arr) # 计算最大值 Ymin = np.mi...
  • import numpy as np A = np.array([[ 7, 4, 5, 7000], [ 1, 900, 9, nan], [ 5, -1000, nan, 100], [nan, nan, 3, 1000]]) #Compute NaN-norms L1_norm = np.nansum(np.abs(A), axis=1) L2_norm =
  • python numpy 按行归一化

    万次阅读 2017-11-21 22:52:16
    import numpy as np Z=np.random.random((5,5)) Zmax,Zmin=Z.max(axis=0),Z.min(axis=0) Z=(Z-Zmin)/(Zmax-Zmin) print(Z)
  • Python中Numpy数组的归一化处理

    万次阅读 多人点赞 2018-04-05 22:35:48
    本节给出Python中将Numpy数组实现(0,1)归一化的代码,其它种类的归一化再遇到时再进行补充。所谓(0,1)归一化,就是通过遍历feature vector里的每一个特征值的数据,将Max和Min的记录下来,并通过Max-Min作为基数...
  • 目标如题:我们将使用numpy中对随机数据矩阵进行归一化处理。 需要用到的知识点包括: random模块生成随机数矩阵 使用np的.mean函数和.std函数对数据进行归一化(数据-平均)/标准差 处理 使用axis参数指定按行计算...
  • 在我想对每个频道的图像进行归一化处理。有没有比下面这些更性感的方式来做这件事?特别是我不喜欢的是频道上的循环,我发现必须这样做很奇怪np.min.最小值以及np.最大值在切片上。同样,这是硬编码,只工作在张量与...
  • numpy 数据 规范化、归一化 import numpy as np 标准化 mean = np.mean(train_data, axis=0) # 均值 train_data -= mean # 训练集 test_data -= mean # 测试集 std = np.std(train_data, axis=0) # 标准差 train_...
  • NumPy学习笔记(4)--数据归一化

    万次阅读 2017-02-19 19:10:52
    # 归一化,将矩阵规格化到0-1之间import numpy as np a = 10*np.random.random((5, 5)) print(a) print('---') amin, amax = a.min(), a.max() a = (a-amin)/(amax-amin) # (data-最小)/(最大-最小) print(a)
  • Numpy数组按行或按列归一化

    万次阅读 2018-09-19 21:27:30
    给定一个数组,将各列(行)归一化(缩放到 [0,1] ) 方法一 import numpy as np x = np.array([[1000, 10, 0.5], [ 765, 5, 0.35], [ 800, 7, 0.09]]) x_normed = x / x.max(axis=0) print(x_no...
  • 搜了一顿也没有用numpy实现的,都是直接用学习框架实现好的函数。 我把z-score转化成了np的矩阵运算。 def Normalize(raw_list): np_data=np.array(raw_list) length=len(raw_list) #列均值 means=np.var(np...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 39,378
精华内容 15,751
关键字:

numpy归一化

友情链接: broadcast-base.rar