Numpy normaliser metoden

Python -programmeringsspråk gjorde programmerernes liv enklere med sine nyttige biblioteker. Numpy er et open source-bibliotek som brukes med matriser og et vanlig. Numpy står for numerisk Python, som betyr at alle typer numerisk beregning kan utføres ved hjelp av funksjonene til Numpy Library. Det gir normaliseringsmetoden for å normalisere matriser, vektorer og alt. Denne artikkelen vil utforske Numpy Normalize -metoden i Python -programmer. Ved å bruke noen enkle og enkle eksempler, vil vi demonstrere hvordan du normaliserer de gitte dataene ved hjelp av Numpy Normalize -metoden.

Hva er Numpy Normalize -metoden?

Dataforskere og dataanalytikere er veldig godt klar over datalisering. Data normalisering er en prosess for å justere data fra forskjellige skalaer til en vanlig skala. Rett og slett er normalisering prosessen med å skalere en serie med data om ønsket område. Numpy er et av de kraftigste matematiske bibliotekene som er gitt på ditt Python -programmeringsspråk. Det tilbyr normaliseringsmetoden for å normalisere den gitte listen over data. La oss nå lære å bruke Numpy Normalize -metoden i Python -programmer.

Eksempel 1

Dette første eksemplet er enkelt og grunnleggende og designet for alle slags utviklere, jeg.e., nybegynnere og eksperter. Her vil vi bruke Numpy.Lining.Norm () Funksjon for å normalisere en vektor. Referansekoden er gitt nedenfor for din veiledning, ta en titt.

Importer numpy som npy
npy.tilfeldig.frø (5)
ary = npy.tilfeldig.Rand (20)
v_norm = npy.Lining.Norm (ary)
print ("Den normaliserte vektoren er =", v_norm)

Programmet startet med å importere Numpy -biblioteket i programmet med "import numpy as NPY" -uttalelsen. Den variable NPY vil representere Numpy -biblioteket i hele programmet og vil bli brukt til å kalle Norm () -funksjonen i programmet. Frø () -funksjonen brukes til å initialisere den tilfeldige tallgeneratoren med 5. NPY.tilfeldig.frø (5) uttalelse vil initialisere den tilfeldige () -funksjonen for å generere et tilfeldig tall.

Etter det, NPY.tilfeldig.Rand (20) uttalelse brukes til å lage en rekke 20 tilfeldige tall. Den beregnede matrisen har gått til Norm () -funksjonen for å normalisere den ved hjelp av NPY.Lining.Norm (ARY) uttalelse. Utskrift () -uttalelsen kommer godt med for å vise en hvilken som helst utdata på skjermen, så vi brukte den til å vise den normaliserte vektorverdien til den beregnede matrisen. Gitt nedenfor er utgangen:

Eksempel 2

Annet enn Norm () -funksjonen har vi en normalisert metode levert av Sklearn Library. I dette eksemplet vil vi bruke normaliseringsmetoden for å normalisere de gitte dataene. Referanseeksemplet er gitt nedenfor for å hjelpe deg med å forstå hvordan du bruker normaliseringsmetoden gitt av Sklearn -biblioteket for å normalisere en vektor:

Importer numpy som npy
Fra Sklearn.Forbehandlingsimport normaliserer
npy.tilfeldig.frø (5)
ary = npy.tilfeldig.Rand (10).omforme (2,5)
v_norm = normalisere (arr)
print ("Den normaliserte vektoren er = \ n", v_norm)

Her importeres Numpy -biblioteket til programmet ved å bruke "import numpy as NPY" -erklæringen. Etter det importeres Sklearn -biblioteket til programmet med “Fra Sklearn.forbehandlingsimport normaliserer ”uttalelse. Frø (5) -funksjonen brukes til å initialisere den tilfeldige () funksjonen og tilfeldig.Rand (10) -funksjon brukes til å generere 10 tilfeldige tall.

Hvis du legger merke til det, brukte vi omformet (2,5) uttalelsen for å omforme matrisen i 2-D. Så når vi utfører NPY.tilfeldig.Rand (10).Omformet (2, 5) uttalelse, 20 tilfeldige tall vil bli generert, hver array -dimensjon som inneholder 10 elementer. Den beregnede 2-D-arrayen sendes til normaliseringsfunksjonen () for å få det normaliserte resultatet fra den. Ved hjelp av PRINT () -klæringen vises den normaliserte matrisen med 20 elementer. Se utdataene fra programmet nedenfor:

Eksempel 3

Tidligere har vi lært hvordan vi kan normalisere vektorer ved bruk av normen () og normalisere () funksjoner. Dette eksemplet vil få deg til å lære hvordan du normaliserer en matrise ved hjelp av Norm () -funksjonen. Referansekoden er gitt på skjermdumpen nedenfor:

Importer numpy som npy
a = npy.Array ([3, 2, 6, 4, 8, 9])
B = NPY.Lining.Norm (a)
trykk ('Arrayen er = \ n', a)
utskrift ('\ n den normaliserte verdien er =', b)
n = a/b
utskrift ('\ n det normale matrisen er = \ n', n)

Numpy -biblioteket importeres til programmet slik at vi kan bruke Norm () -funksjonen tilknyttet det. En matrise “A” er erklært ved hjelp av NPY.Array () -funksjon som inneholder 6 elementer. Arrayen “A” sendes til linjen.Norm () Funksjon for å utføre normaliseringen. Vi brukte tre -setninger () uttalelser, den første trykket () uttalelsen brukes til å vise den originale matrisen, den andre trykket () uttalelsen brukes til å vise den normaliserte verdien av matrisen, og til slutt brukes den tredje utskriften () uttalelsen For å vise den normaliserte matrisen. Utgangen er som følger:

Eksempel 4

I dette eksemplet vil vi normalisere den samme matrisen med normaliseringsmetoden til Sklearn -biblioteket. Referansekoden er gitt nedenfor for din forståelse:

Importer numpy som npy
Fra Sklearn.Forbehandlingsimport normaliserer
a = npy.Array ([3, 2, 6, 4, 8, 9])*5
B = normaliser (a [:, npy.newaxis], akse = 0)
trykk ('Den normaliserte matrisen er = \ n', b)

Først importeres Numpy og Sklearn Libraries for å bruke matrisen () og normalisere metoden i programmet. Den deklarerte matrisen sendes til normaliseringsfunksjonen () for å utføre normaliseringen, og PRINT () -kommandoen brukes til å vise det normaliserte resultatet. Se den genererte utgangen nedenfor:

Eksempel 5

Akkurat slik vi normaliserte 1-D-arrayen, kan 2-D-arrayen også normaliseres ved hjelp av samme prosess. Alle dimensjonale matriser kan normaliseres ved hjelp av funksjonene til Numpy Library. I dette eksemplet normaliseres en 2-D-matrise ved bruk av Norm () -funksjonen. Se referansekoden gitt på skjermdumpen nedenfor:

Importer numpy som npy
a = npy.Array ([[3, 2, 6], [4, 8, 9]])
B = NPY.Lining.Norm (a)
trykk ('Arrayen er = \ n', a)
utskrift ('\ n den normaliserte verdien er =', b)
n = a/b
utskrift ('\ n det normale matrisen er = \ n', n)

Som du kan legge merke til, brukte vi den samme koden og prosessen som vi gjorde i de forrige eksemplene. Vi endret matrisen fra 1-D til 2-D. Du vil legge merke til fra utgangen nedenfor at Norm () -funksjonen håndterer den gitte matrisen på samme måte som den er gitt. Hvis den gitte matrisen er 1-D, vil de resulterende normaliserte data være i 1-D. Men hvis den gitte matrisen er 2-D eller 3-D, eller N-D, vil den resulterende normaliserte utgangen være 2-D eller 3-D, eller N-D. Følgende er utgangen fra Norm () -funksjonen:

Eksempel 6

Dette eksemplet vil bruke normaliseringsfunksjonen til Sklearn-biblioteket for å normalisere 2-D-arrayen. Merk at koden er den samme; Bare inndataene er en 2-D-matrise. Se referansekoden gitt nedenfor:

Importer numpy som npy
a = npy.Array ([[3, 2, 6], [4, 8, 9]])
B = Normaliser (a)
trykk ('Arrayen er = \ n', a)
utskrift ('\ n den normaliserte verdien er =', b)
n = a/b
utskrift ('\ n det normale matrisen er = \ n', n)

Igjen gir den normaliserte funksjonen den normaliserte matrisen på samme måte som inngangen er gitt. Nedenfor er resultatet av koden:

Konklusjon

Vi hadde en rask omvisning i Numpy Normalize -metoden i denne artikkelen. Normaliseringsbegrepet er prosessen med å skalere de gitte dataene om ønsket serie. I denne artikkelen undersøkte vi Numpy Normalize -metoden sammen med Sklearn Normalize -metoden. Ved hjelp av eksempler lærer vi å bruke normen () og normalisere () funksjoner i Python -programmer.