คำถามติดแท็ก numpy

ฉันจะแปลงnumpy.datetime64วัตถุเป็นdatetime.datetime(หรือTimestamp) ได้อย่างไร ในรหัสต่อไปนี้ฉันสร้างวัตถุวันที่และเวลาการบันทึกเวลาและวันที่ 64 import datetime import numpy as np import pandas as pd dt = datetime.datetime(2012, 5, 1) # A strange way to extract a Timestamp object, there's surely a better way? ts = pd.DatetimeIndex([dt])[0] dt64 = np.datetime64(dt) In [7]: dt Out[7]: datetime.datetime(2012, 5, 1, 0, 0) In [8]: …

292 python  datetime  numpy  pandas 

ฉันจะตรวจสอบเวอร์ชันของ NumPy ที่ฉันใช้อยู่ได้อย่างไร (FYI คำถามนี้ได้รับการแก้ไขเพราะทั้งคำถามและคำตอบไม่ใช่แพลตฟอร์มเฉพาะ)

283 python  numpy  version 

สิ่งที่ไม่np.random.seedทำในด้านล่างรหัสจาก Scikit เรียนรู้กวดวิชา? ฉันไม่คุ้นเคยกับสิ่งที่เครื่องกำเนิดรัฐแบบสุ่มของ NumPy ดังนั้นฉันขอขอบคุณคำอธิบายคำศัพท์ของคนธรรมดาในเรื่องนี้ np.random.seed(0) indices = np.random.permutation(len(iris_X))

282 python  numpy 

ฉันมีอาร์เรย์ Numpy ซึ่งประกอบด้วยรายการหลายรายการซึ่งแสดงถึงอาร์เรย์สองมิติพร้อมป้ายชื่อแถวและชื่อคอลัมน์ตามที่แสดงด้านล่าง: data = array([['','Col1','Col2'],['Row1',1,2],['Row2',3,4]]) ฉันต้องการให้ DataFrame ส่งผลให้มี Row1 และ Row2 เป็นค่าดัชนีและ Col1, Col2 เป็นค่าส่วนหัว ฉันสามารถระบุดัชนีได้ดังนี้: df = pd.DataFrame(data,index=data[:,0]), อย่างไรก็ตามฉันไม่แน่ใจว่าจะกำหนดส่วนหัวคอลัมน์ได้อย่างไร

281 python  pandas  numpy 

เชื่อหรือไม่ว่าหลังจากการทำโปรไฟล์รหัสปัจจุบันของฉันการดำเนินการซ้ำ ๆ ของการกลับรายการอาร์เรย์ที่มีจำนวนมากนั้นกินชิ้นใหญ่ของเวลาทำงาน สิ่งที่ฉันมีตอนนี้เป็นวิธีการดูตามปกติ: reversed_arr = arr[::-1] มีวิธีอื่นที่จะทำอย่างมีประสิทธิภาพมากขึ้นหรือเป็นเพียงภาพลวงตาจากความหลงใหลของฉันกับการแสดงที่ไม่สมจริง?

276 python  numpy 

นี่คือรหัสของฉันเพื่อสร้าง dataframe: import pandas as pd import numpy as np dff = pd.DataFrame(np.random.randn(1,2),columns=list('AB')) จากนั้นฉันได้รับ dataframe: +------------+---------+--------+ | | A | B | +------------+---------+--------- | 0 | 0.626386| 1.52325| +------------+---------+--------+ เมื่อฉันพิมพ์คำสั่ง: dff.mean(axis=1) ฉันได้ : 0 1.074821 dtype: float64 ตามการอ้างอิงของแพนด้าแกน = 1 หมายถึงคอลัมน์และฉันคาดว่าผลลัพธ์ของคำสั่งจะเป็น A 0.626386 B 1.523255 dtype: float64 ดังนั้นนี่คือคำถามของฉัน: แกนในแพนด้าหมายถึงอะไร

269 python  pandas  numpy  dataframe 

ฉันมีสองอาร์เรย์ง่ายหนึ่งมิติในNumPy ฉันควรจะสามารถที่จะเชื่อมพวกเขาโดยใช้numpy.concatenate แต่ฉันได้รับข้อผิดพลาดสำหรับรหัสด้านล่างนี้: TypeError: เฉพาะอาร์เรย์ความยาว 1 เท่านั้นที่สามารถแปลงเป็นสเกลาร์ Python รหัส import numpy a = numpy.array([1, 2, 3]) b = numpy.array([5, 6]) numpy.concatenate(a, b) ทำไม?

266 python  arrays  numpy  concatenation  numpy-ndarray 

ฉันโหลดข้อมูลการเรียนรู้ของเครื่องจากไฟล์ CSV 2 คอลัมน์แรกคือการสังเกตและคอลัมน์ที่เหลือเป็นคุณลักษณะ ขณะนี้ฉันทำต่อไปนี้: data = pandas.read_csv('mydata.csv') ซึ่งให้บางสิ่งเช่น: data = pandas.DataFrame(np.random.rand(10,5), columns = list('abcde')) ฉันต้องการที่จะหั่น dataframe นี้ในสอง dataframes หนึ่งที่มีคอลัมน์aและbและเป็นหนึ่งที่มีคอลัมน์c, และde ไม่สามารถเขียนบางอย่างเช่น observations = data[:'c'] features = data['c':] ฉันไม่แน่ใจว่าวิธีที่ดีที่สุดคืออะไร ฉันต้องมีpd.Panel? โดยวิธีการที่ฉันพบการจัดทำดัชนี dataframe สวยไม่สอดคล้อง: data['a']ได้รับอนุญาต แต่data[0]ไม่ใช่ ในอีกด้านหนึ่งdata['a':]ไม่ได้รับอนุญาต แต่data[0:]เป็น มีเหตุผลในทางปฏิบัติสำหรับสิ่งนี้หรือไม่? นี่จะทำให้สับสนถ้าคอลัมน์ถูกทำดัชนีโดย Intdata[0] != data[0:1]

264 python  pandas  numpy  dataframe  slice 

ฉันมีเมทริกซ์ในประเภทของ Numpy array ฉันจะเขียนมันลงในดิสก์เป็นรูปภาพได้อย่างไร รูปแบบใดก็ได้ที่ทำงาน (png, jpeg, bmp ... ) ข้อ จำกัด ที่สำคัญอย่างหนึ่งคือไม่มี PIL

260 python  image  numpy 

เอาล่ะฉันกำลังเล่นกับการแปลงวัตถุรูปภาพ PIL ไปมาเป็นอาร์เรย์ที่มีจำนวนมากดังนั้นฉันจึงสามารถแปลงพิกเซลได้เร็วขึ้นโดยการแปลงพิกเซลกว่าPixelAccessวัตถุของ PIL ฉันพบวิธีวางข้อมูลพิกเซลในอาร์เรย์แบบสามมิติที่มีประโยชน์โดย: pic = Image.open("foo.jpg") pix = numpy.array(pic.getdata()).reshape(pic.size[0], pic.size[1], 3) แต่ดูเหมือนว่าฉันจะไม่สามารถหาวิธีโหลดมันกลับเข้าไปในวัตถุ PIL ได้หลังจากที่ฉันได้ทำการแปลงที่ยอดเยี่ยมทั้งหมดแล้ว ฉันตระหนักถึงputdata()วิธีการ แต่ดูเหมือนจะไม่สามารถทำให้มันทำงานได้

257 python  image  numpy  python-imaging-library  numpy-ndarray 

SciPy ดูเหมือนจะให้ฟังก์ชั่นส่วนใหญ่ (แต่ไม่ใช่ทั้งหมด [1]) ของ NumPy ในเนมสเปซของตัวเอง ในคำอื่น ๆ ถ้ามีฟังก์ชั่นที่มีชื่อว่ามีความเป็นเกือบแน่นอนnumpy.foo scipy.fooส่วนใหญ่ทั้งสองดูเหมือนจะเหมือนกันทุกครั้งแม้กระทั่งชี้ไปที่วัตถุฟังก์ชั่นเดียวกัน บางครั้งมันแตกต่างกัน หากต้องการยกตัวอย่างที่เกิดขึ้นเมื่อเร็ว ๆ นี้: numpy.log10เป็นufuncที่ส่งคืนNaNsสำหรับอาร์กิวเมนต์ที่เป็นลบ scipy.log10 ส่งกลับค่าที่ซับซ้อนสำหรับการขัดแย้งเชิงลบและดูเหมือนจะไม่เป็น ufunc เช่นเดียวกับที่ได้กล่าวเกี่ยวกับlog, log2และlognแต่ไม่ได้เกี่ยวกับlog1p[2] ในทางกลับกันnumpy.expและscipy.expดูเหมือนจะเป็นชื่อที่แตกต่างกันสำหรับ ufunc เดียวกัน นี้ยังเป็นจริงของและscipy.log1pnumpy.log1p อีกตัวอย่างหนึ่งคือVSnumpy.linalg.solve scipy.linalg.solveมันคล้ายกัน แต่อย่างหลังมีคุณสมบัติเพิ่มเติมบางอย่างในอดีต ทำไมการทำสำเนาชัดเจน? ในกรณีนี้คือความหมายที่จะนำเข้าขายส่งของnumpyเข้าไปในscipynamespace ทำไมแตกต่างที่ลึกซึ้งในการทำงานและฟังก์ชั่นที่ขาดหายไป? มีตรรกะครอบคลุมบางอย่างที่จะช่วยขจัดความสับสนหรือไม่? [1] numpy.min, numpy.max, numpy.absและอีกสองสามคนมีลูกน้องในไม่มีscipynamespace [2] ทดสอบโดยใช้ NumPy 1.5.1 และ SciPy 0.9.0rc2

254 python  numpy  scipy 

วิธีที่ง่ายที่สุดในการเปรียบเทียบสอง NumPy คืออาร์เรย์สำหรับความเท่าเทียมกัน (ที่ความเท่าเทียมกันถูกกำหนดเป็น: A = B iff สำหรับดัชนีทั้งหมด i:) A[i] == B[i]? การใช้เพียงแค่==ให้ฉันเป็นบูลีนอาเรย์: >>> numpy.array([1,1,1]) == numpy.array([1,1,1]) array([ True, True, True], dtype=bool) ฉันต้องandพิจารณาองค์ประกอบของอาร์เรย์นี้เพื่อตรวจสอบว่าอาร์เรย์มีค่าเท่ากันหรือมีวิธีที่ง่ายกว่าในการเปรียบเทียบหรือไม่

252 python  arrays  numpy  elementwise-operations 

จากคลาสการเรียนรู้เชิงลึกของ Udacityซอฟต์แม็กซ์ของ y_i นั้นเป็นเพียงแค่เลขชี้กำลังหารด้วยผลรวมของเลขชี้กำลังของเวกเตอร์ Y ทั้งหมด: S(y_i)ฟังก์ชัน softmax อยู่ที่ไหนy_iและeเป็นเลขชี้กำลังและjเป็นเลขที่ ของคอลัมน์ในเวกเตอร์อินพุต Y ฉันได้ลองทำสิ่งต่อไปนี้แล้ว: import numpy as np def softmax(x): """Compute softmax values for each sets of scores in x.""" e_x = np.exp(x - np.max(x)) return e_x / e_x.sum() scores = [3.0, 1.0, 0.2] print(softmax(scores)) ซึ่งผลตอบแทน: [ 0.8360188 0.11314284 0.05083836] แต่ทางออกที่แนะนำคือ: def …

247 python  numpy  machine-learning  logistic-regression  softmax 

หลังจากสร้างอาร์เรย์ NumPy และบันทึกเป็นตัวแปรบริบท Django ฉันได้รับข้อผิดพลาดต่อไปนี้เมื่อโหลดหน้าเว็บ: array([ 0, 239, 479, 717, 952, 1192, 1432, 1667], dtype=int64) is not JSON serializable สิ่งนี้หมายความว่า?

247 python  json  django  numpy 

ในnumpy/ scipyมีวิธีที่มีประสิทธิภาพในการรับความถี่นับสำหรับค่าที่ไม่ซ้ำกันในอาร์เรย์หรือไม่? บางสิ่งบางอย่างตามสายเหล่านี้: x = array( [1,1,1,2,2,2,5,25,1,1] ) y = freq_count( x ) print y >> [[1, 5], [2,3], [5,1], [25,1]] (สำหรับคุณผู้ใช้ R ออกมีฉันโดยทั่วไปกำลังมองหาtable()ฟังก์ชั่น)

244 python  arrays  performance  numpy