Array mascherato in Scipy

Quando si desidera eseguire un calcolo statistico o scientifico in Python, corri sempre verso la biblioteca di Scipy. La biblioteca Scipy è una delle biblioteche Python più comunemente usate in quanto fornisce una funzione adeguata per ogni tipo di calcolo matematico, statistico e scientifico. Non è solo una biblioteca ma un intero ecosistema di librerie che sono combinate insieme in modo da poter eseguire qualsiasi tipo di compito semplice o complesso facilmente e rapidamente. Questa guida ti permetterà di esplorare le funzioni Scipy che possono essere utilizzate con array mascherati.

Cos'è un array mascherato?

Un array mascherato è un array che può avere voci non valide o mancanti. In vari eventi, i set di dati o gli array possono essere contaminati o incompleti dalla presenza di dati non validi. Ad esempio, un sensore ha registrato dati non validi a causa di molteplici motivi o potrebbe non essere riuscito a registrare alcun dati. Ora, abbiamo un set di dati vuoto o un set di dati pieno di voci non valide. Il modo semplice per gestire tali set di dati è mascherare questi array. La libreria Numpy fornisce una semplice funzione di mascheramento per mascherare tali tipi di array. La stessa libreria Scipy non fornisce alcuna funzione di mascheramento che può essere utilizzata per mascherare un set di dati. Tuttavia, fornisce molte funzioni da utilizzare con gli array di maschere.

In questa guida, ti guideremo prima su come utilizzare la libreria numpy per mascherare un set di dati. Quindi, dimostreremo come le funzioni della libreria Scipy possono essere utilizzate con array mascherati. In Numpy, l'array mascherato è una combinazione di un ndarray standard e una maschera. Il valore della maschera può essere nomask o un elenco di booleani che specificano il mascheramento per ciascun valore nel set di dati. Ad esempio, se si specifica il valore di nomask per il valore della maschera, ciò significa che non esiste un valore non valido nel set di dati. Mentre se si specifica un array booleano per il set di dati, ogni valore determina il valore valido o non valido associato al set di dati dato. Se il valore della maschera è falso, il valore corrispondente nel set di dati è valido, quindi non sarà mascherato. Se il valore della maschera è vero, il valore corrispondente non è valido, quindi sarà mascherato. Ora, vediamo un esempio per avere una chiara comprensione.

Esempio 1:

In questo esempio, ti guideremo su come mascherare un array con la funzione di mascheramento numpy. Esploreremo come il "numpy.La funzione MA ”funziona in un programma per mascherare un determinato set di dati. Considera il codice di esempio dato:

Importa Numpy come NP
importa numpy.ma come ma
data = np.Array ([2, 5, 8, -9, -7])
maschera = ma.Masked_array (Data, Mask = [0, 0, 0, 1, 1],
dtype = np.int8)
Stampa ("L'array mascherato è: \ n", maschera)
print ("\ n")
mask_na = np.Ma.riempito (maschera.astype (float), NP.nan)
print ("Sostituito con nan: \ n", mask_na)

Innanzitutto, la libreria Numpy viene importata nel programma per utilizzare le funzioni di array e MA. L'array viene dichiarato usando il NP.funzione array (). Quindi, il Ma.Masked_array () è usato per mascherare l'array. Quindi, usiamo il NP.Ma.Funzione riempita () per sostituire i valori non validi con i valori NAN. Ora, diamo un'occhiata al seguente risultato:

Esempio 2:

Dal momento che comprendiamo come vengono utilizzate le funzioni numpy per mascherare un set di dati, vediamo come utilizzare le funzioni di Scipy sull'array mascherato per eseguire i calcoli secondo i nostri requisiti. In questo esempio, mascheremo un array con funzioni numpy e utilizzeremo una funzione Scipy con gli array mascherati. Considera il seguente codice di esempio:

Importa Numpy come NP
importa numpy.ma come ma
da Scipy.statistiche.Descrivi l'importazione di MStats
data = np.Array ([2, 5, 8, -9, -7])
maschera = ma.Masked_array (Data, Mask = [0, 0, 0, 1, 1],
dtype = np.int8)
Stampa ("L'array mascherato è: \ n", maschera)
print ("\ n")
mask_na = descrivi (maschera)
print ("La descrizione dell'array: \ n", mask_na)

La biblioteca Numpy viene importata nel programma poiché dobbiamo usare il MA.funzione masched_array () per mascherare il set di dati. La libreria Scipy, il suo pacchetto statistiche e la classe MSTATS vengono importati nel programma per utilizzare la funzione "Descrivi". La funzione "Descrivi" viene utilizzata per ottenere la descrizione statistica dell'array o del set di dati specificato. La sintassi della funzione Descrive () è la seguente:

Il parametro "array" prende i dati di input. Il parametro "Asse" viene utilizzato per definire l'asse da utilizzare per la descrizione. Il parametro "DDOF" viene utilizzato per trovare il grado di libertà. E il parametro "bias" viene utilizzato per definire la distorsione statistica. Ora, vediamo l'output della funzione Descrivi nel seguente frammento:

Esempio 3:

Usiamo un'altra funzione Scipy sull'array mascherato per comprendere il funzionamento della funzione con array mascherati. In questo esempio, ti mostreremo l'uso della funzione della modalità insieme all'array mascherato. Considera il seguente codice di esempio:

Importa Numpy come NP
importa numpy.ma come ma
da Scipy.statistiche importano mStats
data = np.Array ([2, 5, 8, -9, -7])
maschera = ma.Masked_array (Data, Mask = [0, 0, 0, 1, 1],
dtype = np.int8)
Stampa ("L'array mascherato è: \ n", maschera)
print ("\ n")
mask_na = mstats.Modalità (maschera)
print ("La modalità di array: \ n", mask_na)

La prima sezione del programma è la stessa che abbiamo usato nell'esempio precedente. Il set di dati e il metodo di mascheramento dell'array sono uguali. Abbiamo modificato solo il metodo. Qui, utilizziamo la funzione Modalità per trovare la modalità dell'array mascherato. La sintassi della funzione della modalità è la seguente:

Il parametro "array" viene utilizzato per fornire il set di dati. Il parametro "Asse" viene utilizzato per definire l'asse da utilizzare per trovare la modalità dei dati. Ora, vediamo la modalità dell'array mascherato nel seguente:

Esempio 4:

La funzione successiva della libreria Scipy che può essere utilizzata con un array mascherato è ZScore (). La funzione ZScore viene utilizzata per calcolare lo ZSCORE dei dati dati. Considera il seguente esempio di esempio:

Importa Numpy come NP
importa numpy.ma come ma
dalle statistiche di importazione di Scipy
data = np.Array ([2, 5, 8, -9, -7])
maschera = ma.Masked_array (Data, Mask = [0, 0, 0, 1, 1],
dtype = np.int8)
Stampa ("L'array mascherato è: \ n", maschera)
print ("\ n")
mask_na = stat.ZSCORE (maschera)
Print ("The ZScore è: \ n", mask_na)

Ancora una volta, utilizziamo lo stesso programma e abbiamo appena cambiato la funzione Scipy da utilizzare con l'array mascherato. Come puoi vedere, passiamo l'array mascherato alla funzione ZScore. La sintassi della funzione ZScore è la seguente:

Il parametro "array" viene utilizzato per fornire i dati alla funzione szcore. Il parametro "Asse" contiene l'asse da utilizzare per calcolare lo ZSCORE. Il parametro "DDOF" viene utilizzato per definire il grado di correzione della libertà. Infine, il parametro "nan_policy" viene utilizzato per definire come gestire i valori NAN. Ora, vediamo il seguente risultato della funzione ZScore:

Conclusione

Questo articolo di Python è una rapida panoramica dell'array mascherato Scipy. Abbiamo appreso che Scipy non fornisce alcuna funzione o metodo per mascherare un array. Tuttavia, fornisce un elenco di funzioni semplici e utili che possono essere utilizzate con array mascherati. La Biblioteca Numpy offre il MA.Masked_array () funzione per mascherare l'array e quell'array mascherato può essere passato a qualsiasi funzione Scipy per eseguire l'operazione desiderata sui dati mascherati.