Python?NumPy的allclose怎么用

本篇內容介紹了“Python NumPy的allclose怎么用”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

numpy 數組及運算

擴展庫 numpy 是 Python 支持科學計算的重要擴展庫，是數據分析和科學計算領域如 scipy、pandas、sklearn 等眾多擴展庫中必備的擴展庫之一，提供了強大的 N 維數組及其相關的運算、復雜的廣播函數、C/C++和Fortran代碼集成工具以及線性代數、傅里葉變換和隨機數生成等功能。

創建數組

數組是用來存儲若干數據的連續內存空間，其中的元素一般是相同類型的，例如都是浮點數。數組運算是學習數據分析和機器學習相關算法的重要基礎。在我們處理實際數據的時候，總會用到大量的數組運算或者矩陣的運算，這些數據有的是通過文件直接讀取的，有的則是根據實際需要生成的，當然還有些數據是實時采集的。

import numpy as npnp.array([1, 2, 3, 4, 5])# -> array([1, 2, 3, 4, 5])np.array(range(5))# -> array([0, 1, 2, 3, 4])np.array([1, 2, 3],[4, 5, 6])# -> array([[1, 2, 3],#[4, 5, 6]])np.arange(5)#-> array([0, 1, 2, 3, 4])np.arange(1, 10, 2)#-> array([1, 3, 5, 7, 9])np.linspace(0, 10, 11)#-> array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])np.linspace(0, 10, 11, endpoint=False)#-> array([0.        , 0.90909091, 1.81818182, 2.72727273, 3.63636364,#       4.54545455, 5.45454545, 6.36363636, 7.27272727, 8.18181818,#       9.09090909])np.logspace(0, 100, 10)#-> array([1.00000000e+000, 1.29154967e+011, 1.66810054e+022, 2.15443469e+033,#       2.78255940e+044, 3.59381366e+055, 4.64158883e+066, 5.99484250e+077,#       7.74263683e+088, 1.00000000e+100])np.logspace(1, 6, 5, base=2)#-> array([ 2.        ,  4.75682846, 11.3137085 , 26.90868529, 64.        ])np.zeros(3)#-> array([0., 0., 0.])np.ones(3)#-> array([1., 1., 1.])np.zeros((3, 3))#-> array([[0., 0., 0.],#       [0., 0., 0.],#       [0., 0., 0.]])np.ones((3, 3))#-> array([[1., 1., 1.],#       [1., 1., 1.],#       [1., 1., 1.]])np.identity(3)#-> array([[1., 0., 0.],#       [0., 1., 0.],#       [0., 0., 1.]])np.empty((3, 3))#-> array([[1., 0., 0.],#       [0., 1., 0.],#       [0., 0., 1.]])np.hamming(20)#-> array([0.08      , 0.10492407, 0.17699537, 0.28840385, 0.42707668,#       0.5779865 , 0.7247799 , 0.85154952, 0.94455793, 0.9937262 ,#       0.9937262 , 0.94455793, 0.85154952, 0.7247799 , 0.5779865 ,#       0.42707668, 0.28840385, 0.17699537, 0.10492407, 0.08      ])np.blackman(20)#-> array([-1.38777878e-17,  1.02226199e-02,  4.50685843e-02,  1.14390287e-01,#        2.26899356e-01,  3.82380768e-01,  5.66665187e-01,  7.52034438e-01,#        9.03492728e-01,  9.88846031e-01,  9.88846031e-01,  9.03492728e-01,#        7.52034438e-01,  5.66665187e-01,  3.82380768e-01,  2.26899356e-01,#        1.14390287e-01,  4.50685843e-02,  1.02226199e-02, -1.38777878e-17])np.kaiser(12, 5)#-> array([0.03671089, 0.16199525, 0.36683806, 0.61609304, 0.84458838,#       0.98167828, 0.98167828, 0.84458838, 0.61609304, 0.36683806,#       0.16199525, 0.03671089])np.random.randint(0, 50, 5)#-> array([ 6, 43, 33, 11,  5])np.random.randint(0, 50, (3,5))#-> array([[45, 30, 17, 31, 25],#       [11, 32, 47, 48,  5],#       [22, 29,  3,  9, 28]])np.random.rand(10)#-> array([0.53459796, 0.59163821, 0.11611952, 0.68199147, 0.03725451,#       0.57498382, 0.15140171, 0.33914725, 0.90706282, 0.68518446])np.random.standard_normal(5)#-> array([-0.62939386, -0.16023864,  1.67463293, -0.44869975,  0.97008488])np.random.standard_normal(size=(3, 4, 2))#-> array([[[-0.7924237 , -2.02222271],#        [-0.7360387 , -1.88832641],#        [-0.43188511, -0.40672139],#        [ 2.03058394,  1.007505  ]],##       [[ 0.35664297,  1.9308035 ],#        [ 0.56456596, -1.02357394],#        [ 1.45042549, -0.59816538],#        [-0.00659242,  0.15439743]],##       [[-1.31088702, -0.167339  ],#        [ 0.44439704,  0.00819551],#        [-2.39637084, -0.07890167],#        [ 0.53474018,  1.18425122]]])np.diag([1, 2, 3, 4])#-> array([[1, 0, 0, 0],#       [0, 2, 0, 0],#       [0, 0, 3, 0],#       [0, 0, 0, 4]])

NumPy函數allclose()用于匹配兩個數組，輸出為布爾值，默認在1e-05的誤差范圍內。如果兩個數組中的項在容忍范圍內不相等，則返回False。這是一種檢查兩個數組是否每個元素都相似的好方法。

allclose()

numpy.allclose(a, b, rtol=1.e-5, atol=1.e-8, equal_nan=False)

其中參數：

• a是numpy數組

• b是numpy數組

• rtol是容許的相對最大誤差系數，默認值是1.0e-5，則容許誤差為rtol * abs(b)

• atol是a和b數組分別求和比較絕對值的差別

• equal_nan是是否將缺失值視為相同，默認是False

下面舉個具體的例子：

輸入：

array1 = np.array([0.12,0.17,0.24,0.29])
array2 = np.array([0.13,0.19,0.26,0.31])

輸入：

np.allclose(array1,array2,0.1)

輸出：

False

原因是rtol=0.1，那么(0.19 - 0.17) > (0.19 * 0.1)

把array1中的0.17改成0.18

輸入：

array3 = np.array([0.12,0.18,0.24,0.29])

輸入：

np.allclose(array3,array2,0.1)

輸出：

True

“Python NumPy的allclose怎么用”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！