Metodo normalizza Numpy

Il linguaggio di programmazione di Python ha reso più facili la vita dei programmatori con le sue biblioteche utili. Numpy è una libreria open source utilizzata con array e una libreria più comune per eseguire qualsiasi tipo di calcolo numerico. Numpy sta per Python numerico, il che significa che tutti i tipi di calcolo numerico possono essere eseguiti usando le funzioni della libreria numpy. Fornisce il metodo normalizza per normalizzare array, vettori e tutto il resto. Questo articolo esplorerà il metodo Numpy Normalize nei programmi Python. Usando alcuni esempi semplici e facili, dimostreremo come normalizzare i dati dati usando il metodo Numpy Normalizza.

Qual è il metodo Numpy Normalizza?

I data scientist e gli analisti dei dati sono molto ben consapevoli della normalizzazione dei dati. La normalizzazione dei dati è un processo di regolazione dei dati da varie scale su una scala comune. Semplicemente, la normalizzazione è il processo di ridimensionamento di una serie di dati sull'intervallo desiderato. Numpy è una delle più potenti biblioteche matematiche fornite nel tuo linguaggio di programmazione Python. Offre il metodo normalizza per normalizzare l'elenco dei dati forniti. Ora impariamo a usare il metodo Numpy Normalize nei programmi Python.

Esempio 1

Questo primo esempio è semplice e semplice e progettato per tutti i tipi di sviluppatori, io.e., novizi ed esperti. Qui useremo il numpy.linalg.Norm () funzione per normalizzare un vettore. Il codice di riferimento è riportato di seguito per la tua guida, dai un'occhiata.

importa numpy come npy
npy.casuale.Seme (5)
ary = npy.casuale.Rand (20)
v_norm = npy.linalg.Norm (ARY)
print ("Il vettore normalizzato è =", v_norm)

Il programma è iniziato con l'importazione della biblioteca Numpy nel programma con la dichiarazione "Importa Numpy As NPY". La variabile NPY rappresenterà la libreria Numpy in tutto il programma e verrà utilizzata per chiamare la funzione Norm () nel programma. La funzione seme () viene utilizzata per inizializzare il generatore di numeri casuali con 5. Il npy.casuale.L'istruzione seed (5) inizializzerà la funzione casuale () per generare un numero casuale.

Dopodiché, il NPY.casuale.L'istruzione Rand (20) viene utilizzata per creare un array di 20 numeri casuali. L'array calcolato è passato alla funzione Norm () per normalizzarla usando NPY.linalg.Dichiarazione Norm (Ary). L'istruzione Print () è utile per la visualizzazione di qualsiasi output sullo schermo, quindi l'abbiamo utilizzata per visualizzare il valore vettoriale normalizzato dell'array calcolato. Di seguito è riportato l'output:

Esempio 2

Oltre alla funzione norm (), abbiamo un metodo normalizzato fornito dalla libreria Sklearn. In questo esempio, utilizzeremo il metodo di normalizzazione per normalizzare i dati dati. Di seguito è riportato l'esempio di riferimento per aiutarti a capire come utilizzare il metodo normalizza fornito dalla libreria Sklearn per normalizzare un vettore:

importa numpy come npy
da Sklearn.Preprocesso di importazione Normalizza
npy.casuale.Seme (5)
ary = npy.casuale.Rand (10).Reshape (2,5)
v_norm = normalizza (arr)
print ("Il vettore normalizzato è = \ n", v_norm)

Qui, la libreria Numpy viene importata nel programma utilizzando l'istruzione "Importa Numpy As NPY". Successivamente, la libreria Sklearn viene importata nel programma con "da Sklearn.preelaborazione dell'importazione normalizza ”Dichiarazione. La funzione seme (5) viene utilizzata per inizializzare la funzione casuale () e casuale.La funzione Rand (10) viene utilizzata per generare 10 numeri casuali.

Se noti, abbiamo usato l'istruzione Reshape (2,5) per rimodellare l'array in 2-D. Quindi quando eseguiamo NPY.casuale.Rand (10).Reshape (2, 5) istruzione, verranno generati 20 numeri casuali, ogni dimensione dell'array contenente 10 elementi. L'array 2-D calcolato viene passato alla funzione normalizza () per ottenere il risultato normalizzato da esso. Utilizzando l'istruzione print (), viene visualizzato l'array normalizzato di 20 elementi. Vedi l'output del programma qui sotto:

Esempio 3

In precedenza, abbiamo imparato come normalizzare i vettori usando le funzioni norm () e normalizzare (). Questo esempio ti farà imparare come normalizzare un array usando la funzione norm (). Il codice di riferimento è riportato nello screenshot di seguito:

importa numpy come npy
a = npy.Array ([3, 2, 6, 4, 8, 9])
b = npy.linalg.Norm (a)
print ('l'array è = \ n', a)
print ('\ nthe valore normalizzato è =', b)
n = a/b
print ('\ nthe normalized array è = \ n', n)

La libreria numpy viene importata nel programma in modo da poter utilizzare la funzione norm () associata ad essa. Un array "A" viene dichiarato usando NPY.funzione array () contenente 6 elementi. L'array "a" viene passato al linalg.Norm () funzione per eseguire la normalizzazione. Abbiamo usato tre istruzioni di stampa (), l'istruzione Prima Print () viene utilizzata per mostrare l'array originale, l'istruzione Second Print () viene utilizzata per mostrare il valore normalizzato dell'array e, infine, viene utilizzata l'istruzione Terza Print () Per mostrare l'array normalizzato. L'output è il seguente:

Esempio 4

In questo esempio, normalizzeremo lo stesso array con il metodo normalizzato della libreria Sklearn. Il codice di riferimento è riportato di seguito per la tua comprensione:

importa numpy come npy
da Sklearn.Preprocesso di importazione Normalizza
a = npy.Array ([3, 2, 6, 4, 8, 9])*5
b = normalizza (a [:, npy.newAxis], axis = 0)
print ('L'array normalizzato è = \ n', b)

Innanzitutto, le librerie Numpy e Sklearn vengono importate per utilizzare l'array () e normalizzare il metodo nel programma. L'array dichiarato viene passato alla funzione normalizza () per eseguire la normalizzazione e il comando print () viene utilizzato per visualizzare il risultato normalizzato. Vedi l'output generato di seguito:

Esempio 5

Proprio il modo in cui abbiamo normalizzato l'array 1-D, l'array 2-D può anche essere normalizzato usando lo stesso processo. Gli array di tutte le dimensioni possono essere normalizzati usando le funzioni della libreria numpy. In questo esempio, un array 2-D viene normalizzato usando la funzione norm (). Vedere il codice di riferimento indicato nello screenshot seguente:

importa numpy come npy
a = npy.array ([[3, 2, 6], [4, 8, 9]])
b = npy.linalg.Norm (a)
print ('l'array è = \ n', a)
print ('\ nthe valore normalizzato è =', b)
n = a/b
print ('\ nthe normalized array è = \ n', n)

Come puoi notare, abbiamo usato lo stesso codice e il processo che abbiamo fatto negli esempi precedenti. Abbiamo cambiato l'array da 1-D a 2-D. Noterai dall'output di seguito che la funzione Norm () gestisce l'array dato allo stesso modo in cui è fornita. Se l'array dato è 1-D, i dati normalizzati risultanti saranno in 1-D. Ma se l'array dato è 2-D o 3-D o N-D, allora l'uscita normalizzata risultante sarà 2-D o 3-D o N-D. Di seguito è riportato l'output della funzione Norm ():

Esempio 6

Questo esempio utilizzerà la funzione Normalize () della libreria Sklearn per normalizzare l'array 2-D. Si noti che il codice è lo stesso; Solo i dati di input sono un array 2-D. Vedere il codice di riferimento indicato di seguito:

importa numpy come npy
a = npy.array ([[3, 2, 6], [4, 8, 9]])
b = normalizza (a)
print ('l'array è = \ n', a)
print ('\ nthe valore normalizzato è =', b)
n = a/b
print ('\ nthe normalized array è = \ n', n)

Ancora una volta, la funzione normalizzata fornisce l'array normalizzato allo stesso modo in cui viene dato l'ingresso. Di seguito è riportato il risultato del codice:

Conclusione

In questo articolo abbiamo fatto un rapido tour del metodo Numpy Normalize. Il concetto di normalizzazione è il processo di ridimensionamento dei dati forniti sulla serie desiderata. In questo articolo, abbiamo esplorato il metodo Numpy Normalize insieme al metodo Sklearn Normalizza. Con l'aiuto di esempi, impariamo come utilizzare le funzioni di norm () e normalizzare () nei programmi Python.