Scipy marginale summer
Python er det mest nybegynnervennlige programmeringsspråket, som lar programmerere skrive alle generelle formålingsprogrammer relatert til automatiseringsoppgaver, lage nettsteder og analytiske dataverktøy og teknikker. Et av bibliotekene fra Python Det eksisterer et bibliotek anerkjent som "Scipy". Dette biblioteket er ansvarlig for å utføre enhver oppgave som er mest relevant for kunstig intelligente systemer og matematiske operasjoner, siden det har standardfunksjonene som brukes til å trene maskinlæringsmodeller og nevrale nettverk og utføre beregningene. Scipy tilbyr en attributt eller funksjonsmodulen som "marginale summer". Denne funksjonen beregner summen av enten alle oppføringene som finnes i radene eller oppføringene til kolonnene i matrisen til det gitte datasettet. Datasettet er en N-dimensjonal matrise som har flere rader og kolonner.
Fremgangsmåte
Forklaringen på konseptet med marginale summer vil bli forklart i artikkelen. Vi vil også lære hvilke biblioteker som kreves som lar oss kjøre programmet vellykket og parametrene og syntaks for dette. Scipy Marginal Sum -funksjonen vil også bli forklart i denne artikkelen. Programvareplattformen som vi skal jobbe med er “Google Collab” siden den har forhåndsinstallerte pakker, og den sparer tid ved å tildele et GPU-plass for vårt program for utførelsen deres.
Syntaks
$ scipy.statistikk.beredskap.marginer (matrise)Funksjonen, som nevnt tidligere, forklarer syntaks for marginale summer. Denne funksjonen er fra Python Scipy -bibliotekets statistiske modul, og statistikkmodulen bruker ytterligere sin beredskapsattributt for å utføre disse funksjonene. Inngangsparametrene som er involvert i denne funksjonen er matrisen eller ND-arrayen som representerer datasettet som vi ønsker å finne de marginale summerene.
Returverdi
Funksjonen returnerer verdien av de marginale summerene i form av en liste basert på matrisens dimensjoner. Denne summen kan enten tas ved å legge til alle elementene i radene eller kolonnene i datasettet. Så vi vil lagre resultatene fra alle n-dimensjonene til matrisen i "N" -nummeret til variablene.
Eksempel nr. 01
Den marginale summetoden fra Scipy tar inn en ND-array og beregner marginalsummen for den. I dette eksemplet vil vi finne summen fra den marginale funksjonen fra Scipy. For å starte med eksemplet, åpne den nye notisboken i Google Collab og lagre dette under noe navn. Laboratoriet vil tildele minneplass for programmet ditt. For å jobbe med funksjonen, må vi erklære ethvert tilfeldig datasett siden datasettet er en flerdimensjonal matrise, slik at vi vil erklære en matrise i programmet. For å erklære matrisen i programmet, vil vi importere en Python -pakke, “Numpy”. Dette biblioteket sikrer import av viktig informasjon som kreves for å erklære matrisen i programmet. Vi vil importere dette biblioteket som "NP", NP vil bli brukt som et prefiks for Numpy. Vi vil definere en rekke av de to dimensjonene som har “14” elementer (totalt) tilfeldig. For å definere denne matrisen riktig, vil vi bruke Numpys attributter “Arranger” og “Reshape”, vil disse funksjonene først distribuere matrisen til fjorten elementer. De vil forme dem i henholdsvis to dimensjoner ved å kalle dem med NP -prefikset som “NP. Arranger (14).omforme (2, 6) ”. Lagre resultatene av denne matrisen i minnet om en viss variabel og navngi det en "matrise".
For å ta den marginale summen for denne matrisen, importerer du marginalsumfunksjonen fra Scipy, som kan nås gjennom Scipy's “Statist. Beredskap ”attributt, så integrerer Scipy's Statistikk. Beredskapsattributt i marginalsumfunksjon som “fra Scipy.statistikk.Beredskapsimportmarginer ”. Nå kan vi ganske enkelt kalle marginene i stedet for statistikken. beredskap og kan finne summen for matrisen. Ring metoden marginalsum som "marginer ()" og pass arrayen som vi hadde erklært, og det ville se ut som denne "marginene (matrisen)". Vi vil lagre resultatene fra denne metoden samtalen i to variabler, “A” og “B” for å vise resultatene.
Følgende er koden og utdataene fra programmet:
Importer numpy som NPFra scipy.statistikk.Beredskapsimportmarginer
Array = NP.Arange (12).omforme (2, 6)
Print (Array)
a, b = marginer (matrise)
trykk (a)
Eksempel # 02
Dette eksemplet vil vise hvordan vi kan beregne den marginale summen for en matrise med mer enn to dimensjoner. Bibliotekene som skal importeres for programmet er “Numpy” og “Scipy.stat.beredskap ”. Vi vil importere begge disse med prefikset eller modulen som henholdsvis "NP" og "marginer". Ved hjelp av Numpys NP vil vi kalle "Arranger" og "omforme" -funksjonen for erklæringen av den tredimensjonale matrisen som vil bli kalt "NP. Arranger (12).omforme (3,2,2) ”.Denne matrisen vil ha tre dimensjoner totalt, og elementene vil være “24” nøyaktig, distribuert likt etter Arranger () -metoden.
Etter denne definisjonen av matrisen, vil vi sende denne matrisen til marginene () funksjonene og lagre resultatene fra funksjonene i tre forskjellige variabler. Den ene vil ha informasjon om marginale summer av matrisen, og de to andre vil ha informasjon om radene på matriser. Så vi kan bare skrive dem ut og vite hva det spesifikke antallet rader i matrisen holder som elementene. Slik beregner vi marginale summer for den tredimensjonale matrisen. Vi har lagt ved koden for koden og utdataene for dette programmet nedenfor. Kopier dette programmet og kjør det som det er på en hvilken som helst Python -kompilator; det vil generere samme utgang.
Importer numpy som NPFra scipy.statistikk.Beredskapsimportmarginer
Array = NP.Arange (12).omforme (3,2,2)
Print ("Array: \ n", Array)
a, b, c = marginer (matrise)
trykk ("A: \ n", a)
trykk ("B: \ n", b)
Print ("C: \ n", C)
Konklusjon
Den marginale sumfunksjonen fra scipy er ikke direkte tilgjengelig, så vi importerte først modulen "statistikk" fra Scipy -biblioteket og brukte "beredskap" -modulen fra statistikken for å få tilgang til marginale summer som "marginer". Vi har diskutert implementeringen av de to eksemplene for de marginale summerene for de to forskjellige ND-arrays som har to dimensjoner som to og tre. Resultatene fra programmene blir vist og forklart i artikkelen.