Python?NumPy實用函數(shù)筆記之a(chǎn)llclose
更新時間：2022年01月13日 15:47:37 作者：學(xué)習(xí)愛好者fz
這篇文章主要給大家介紹了關(guān)于Python?NumPy實用函數(shù)筆記之a(chǎn)llclose的相關(guān)資料,文中通過實例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下
numpy 數(shù)組及運算
擴展庫 numpy 是 Python 支持科學(xué)計算的重要擴展庫，是數(shù)據(jù)分析和科學(xué)計算領(lǐng)域如 scipy、pandas、sklearn 等眾多擴展庫中必備的擴展庫之一，提供了強大的 N 維數(shù)組及其相關(guān)的運算、復(fù)雜的廣播函數(shù)、C/C++和Fortran代碼集成工具以及線性代數(shù)、傅里葉變換和隨機數(shù)生成等功能。
創(chuàng)建數(shù)組
數(shù)組是用來存儲若干數(shù)據(jù)的連續(xù)內(nèi)存空間，其中的元素一般是相同類型的，例如都是浮點數(shù)。數(shù)組運算是學(xué)習(xí)數(shù)據(jù)分析和機器學(xué)習(xí)相關(guān)算法的重要基礎(chǔ)。在我們處理實際數(shù)據(jù)的時候，總會用到大量的數(shù)組運算或者矩陣的運算，這些數(shù)據(jù)有的是通過文件直接讀取的，有的則是根據(jù)實際需要生成的，當(dāng)然還有些數(shù)據(jù)是實時采集的。
import numpy as npnp.array([1, 2, 3, 4, 5])# -> array([1, 2, 3, 4, 5])np.array(range(5))# -> array([0, 1, 2, 3, 4])np.array([1, 2, 3],[4, 5, 6])# -> array([[1, 2, 3],#[4, 5, 6]])np.arange(5)#-> array([0, 1, 2, 3, 4])np.arange(1, 10, 2)#-> array([1, 3, 5, 7, 9])np.linspace(0, 10, 11)#-> array([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])np.linspace(0, 10, 11, endpoint=False)#-> array([0. , 0.90909091, 1.81818182, 2.72727273, 3.63636364,# 4.54545455, 5.45454545, 6.36363636, 7.27272727, 8.18181818,# 9.09090909])np.logspace(0, 100, 10)#-> array([1.00000000e+000, 1.29154967e+011, 1.66810054e+022, 2.15443469e+033,# 2.78255940e+044, 3.59381366e+055, 4.64158883e+066, 5.99484250e+077,# 7.74263683e+088, 1.00000000e+100])np.logspace(1, 6, 5, base=2)#-> array([ 2. , 4.75682846, 11.3137085 , 26.90868529, 64. ])np.zeros(3)#-> array([0., 0., 0.])np.ones(3)#-> array([1., 1., 1.])np.zeros((3, 3))#-> array([[0., 0., 0.],# [0., 0., 0.],# [0., 0., 0.]])np.ones((3, 3))#-> array([[1., 1., 1.],# [1., 1., 1.],# [1., 1., 1.]])np.identity(3)#-> array([[1., 0., 0.],# [0., 1., 0.],# [0., 0., 1.]])np.empty((3, 3))#-> array([[1., 0., 0.],# [0., 1., 0.],# [0., 0., 1.]])np.hamming(20)#-> array([0.08 , 0.10492407, 0.17699537, 0.28840385, 0.42707668,# 0.5779865 , 0.7247799 , 0.85154952, 0.94455793, 0.9937262 ,# 0.9937262 , 0.94455793, 0.85154952, 0.7247799 , 0.5779865 ,# 0.42707668, 0.28840385, 0.17699537, 0.10492407, 0.08 ])np.blackman(20)#-> array([-1.38777878e-17, 1.02226199e-02, 4.50685843e-02, 1.14390287e-01,# 2.26899356e-01, 3.82380768e-01, 5.66665187e-01, 7.52034438e-01,# 9.03492728e-01, 9.88846031e-01, 9.88846031e-01, 9.03492728e-01,# 7.52034438e-01, 5.66665187e-01, 3.82380768e-01, 2.26899356e-01,# 1.14390287e-01, 4.50685843e-02, 1.02226199e-02, -1.38777878e-17])np.kaiser(12, 5)#-> array([0.03671089, 0.16199525, 0.36683806, 0.61609304, 0.84458838,# 0.98167828, 0.98167828, 0.84458838, 0.61609304, 0.36683806,# 0.16199525, 0.03671089])np.random.randint(0, 50, 5)#-> array([ 6, 43, 33, 11, 5])np.random.randint(0, 50, (3,5))#-> array([[45, 30, 17, 31, 25],# [11, 32, 47, 48, 5],# [22, 29, 3, 9, 28]])np.random.rand(10)#-> array([0.53459796, 0.59163821, 0.11611952, 0.68199147, 0.03725451,# 0.57498382, 0.15140171, 0.33914725, 0.90706282, 0.68518446])np.random.standard_normal(5)#-> array([-0.62939386, -0.16023864, 1.67463293, -0.44869975, 0.97008488])np.random.standard_normal(size=(3, 4, 2))#-> array([[[-0.7924237 , -2.02222271],# [-0.7360387 , -1.88832641],# [-0.43188511, -0.40672139],# [ 2.03058394, 1.007505 ]],## [[ 0.35664297, 1.9308035 ],# [ 0.56456596, -1.02357394],# [ 1.45042549, -0.59816538],# [-0.00659242, 0.15439743]],## [[-1.31088702, -0.167339 ],# [ 0.44439704, 0.00819551],# [-2.39637084, -0.07890167],# [ 0.53474018, 1.18425122]]])np.diag([1, 2, 3, 4])#-> array([[1, 0, 0, 0],# [0, 2, 0, 0],# [0, 0, 3, 0],# [0, 0, 0, 4]])
NumPy函數(shù)allclose()用于匹配兩個數(shù)組，輸出為布爾值，默認在1e-05的誤差范圍內(nèi)。如果兩個數(shù)組中的項在容忍范圍內(nèi)不相等，則返回False。這是一種檢查兩個數(shù)組是否每個元素都相似的好方法。
allclose()
numpy.allclose(a, b, rtol=1.e-5, atol=1.e-8, equal_nan=False)
其中參數(shù)：
- a是numpy數(shù)組
- b是numpy數(shù)組
- rtol是容許的相對最大誤差系數(shù)，默認值是1.0e-5，則容許誤差為rtol * abs(b)
- atol是a和b數(shù)組分別求和比較絕對值的差別
- equal_nan是是否將缺失值視為相同，默認是False
下面舉個具體的例子：
輸入：
array1 = np.array([0.12,0.17,0.24,0.29]) array2 = np.array([0.13,0.19,0.26,0.31])
輸入：
np.allclose(array1,array2,0.1)
輸出：
False
原因是rtol=0.1，那么(0.19 - 0.17) > (0.19 * 0.1)
把array1中的0.17改成0.18
輸入：
array3 = np.array([0.12,0.18,0.24,0.29])
輸入：
np.allclose(array3,array2,0.1)
輸出：
True
總結(jié)
到此這篇關(guān)于Python NumPy實用函數(shù)筆記之a(chǎn)llclose的文章就介紹到這了,更多相關(guān)NumPy實用函數(shù)allclose內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要介紹了Python實現(xiàn)分割文件及合并文件的方法,涉及Python針對文件的分割與合并操作相關(guān)技巧,通過自定義函數(shù)split與join實現(xiàn)了文件的分割與合并操作,需要的朋友可以參考下2015-07-07
在本篇文章里小編給大家分享的是關(guān)于python如何求100以內(nèi)的素數(shù)的方法實例，需要的朋友們可以學(xué)習(xí)下。2020-05-05
python PyAutoGUI 模擬鼠標(biāo)鍵盤操作和截屏功能
一款跨平臺/無依賴的自動化測試工具，目測只能控制鼠標(biāo)/鍵盤/獲取屏幕尺寸/彈出消息框/截屏。這篇文章主要介紹了python PyAutoGUI 模擬鼠標(biāo)鍵盤操作和截屏功能,需要的朋友可以參考下2019-08-08
這篇文章主要介紹了Python筆試面試題的一些相關(guān)代碼,需要的朋友可以參考下2019-09-09
這篇文章主要介紹了深入理解Python中各種方法的運作原理,包括抽象方法和靜態(tài)方法和類方法等之間異同的比較,需要的朋友可以參考下2015-06-06
這篇文章主要為大家詳細介紹了python字符串判斷密碼強弱，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2020-03-03
Python+Django+MySQL實現(xiàn)基于Web版的增刪改查的示例代碼
這篇文章主要介紹了Python+Django+MySQL實現(xiàn)基于Web版的增刪改查的示例代碼，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-05-05
Python圖像處理庫crop()函數(shù)?thumbnail方法使用詳解
這篇文章主要為大家介紹了Python圖像處理庫crop()函數(shù)?thumbnail方法使用詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-04-04
python2.7 json 轉(zhuǎn)換日期的處理的示例
這篇文章主要介紹了python2.7 json 轉(zhuǎn)換日期的處理的示例,小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2018-03-03
Python?tkinter中四個常用按鈕的用法總結(jié)
tkinter中有四個控件被冠以Button之名,分別是：Button,?Checkbutton,?Radiobutton,?Menubutton,下面小編就來和大家聊聊它們的具體用法,感興趣的可以學(xué)習(xí)一下2023-09-09