- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
为什么会这样,在 python/numpy 中:
from numpy import asarray
bools=asarray([False,True])
print(bools)
[False True]
print(1*bools, 0+bools, 0-bools) # False, True are valued as 0, 1
[0 1] [0 1] [ 0 -1]
print(-2*bools, -bools*2) # !? expected same result! :-/
[0 -2] [2 0]
print(-bools) # this is the reason!
[True False]
我认为 -bools
返回 logical_not(bools)
很奇怪,因为在所有其他情况下,行为是“算术的”,而不是“逻辑的”。
想要使用 boolean 数组作为 0/1 掩码(或“特征函数”)的人被迫使用某种渐开线表达式,例如 (0-bools)
或 (-1)*bools
,如果他忘记了这一点,很容易导致错误。
为什么会这样,获得所需行为的最佳可接受方式是什么? (当然除了评论)
最佳答案
一切都与运算符顺序和数据类型有关。
>>> import numpy as np
>>> B = np.array([0, 1], dtype=np.bool)
>>> B
array([False, True], dtype=bool)
对于 numpy, boolean 数组被视为 boolean 数组。对它们应用的每一个操作,都会首先尝试维护数据类型。就是这样:
>>> -B
array([ True, False], dtype=bool)
和
>>> ~B
array([ True, False], dtype=bool)
它们是等价的,返回其元素的逐元素否定。但是请注意,使用 -B
会引发警告,因为该函数已被弃用。
当你使用像这样的东西时:
>>> B + 1
array([1, 2])
B
和 1
首先在幕后转换为相同的数据类型。在数据类型提升中,boolean
数组总是转换为 numeric
数组。在上面的例子中,B
被转换为 int
,类似于:
>>> B.astype(int) + 1
array([1, 2])
在你的例子中:
>>> -B * 2
array([2, 0])
首先数组 B
被运算符 -
取反,然后乘以 2。所需的行为可以通过显式数据转换或添加括号来确保正确的操作顺序:
>>> -(B * 2)
array([ 0, -2])
或
>>> -B.astype(int) * 2
array([ 0, -2])
请注意,B.astype(int)
无需数据复制即可替换为 B.view(np.int8)
,因为 boolean 值由 表示字符
,因此有 8 位,数据可以通过 .view
方法查看为整数,无需转换。
>>> B.view(np.int8)
array([0, 1], dtype=int8)
所以,简而言之,B.view(np.int8)
或 B.astype(yourtype)
将始终确保 B
是[0,1]
数值数组。
关于python numpy 奇怪的 boolean 算术行为,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37697280/
作为脚本的输出,我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)? 最佳答案 您可以通过 isin
我的问题 假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy 是否有用于矩阵模幂运算的内置实现? (正如 user2357112 所指出的,我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
我有一个使用 Numpy 在 CentOS7 上运行的项目。 问题是安装此依赖项需要花费大量时间。 因此,我尝试 yum install pip install 之前的 numpy 库它。 所以我跑:
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) 在不同的机器学习和数据分析教程中,我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗?或者任何数字都可以吗?选择种子数的目标是相同实验的可重复性。
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容,处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB,我的机器有 8 GB RAM。 我最初使用 numpy.m
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成,例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
我在大型 numpy 数组中有许多不同的形式,我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。 注意:我进行了搜索,这与堆栈中之前的其他问题不同,因为我想获得数组中标记 block
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同,但与 M1 任何其他行中的数组形状不同。 也就是说, M1 = [ [
如何使用爱因斯坦表示法编写以下点积? import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
我正在尝试平均二维 numpy 数组。所以,我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
我有两个数组 A (4000,4000),其中只有对角线填充了数据,而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组? 到目前为止,我发现
我是一名优秀的程序员,十分优秀!