Verstehen Sie die Numpy-Array-Spleißmethode und Anwendungsszenarien in einem Artikel.

Übersicht:
Bei der Datenverarbeitung und -analyse ist es häufig erforderlich, mehrere Numpy-Arrays zur weiteren Verarbeitung und Analyse zu spleißen. Die Numpy-Bibliothek bietet eine Vielzahl von Array-Spleißmethoden. In diesem Artikel werden die Numpy-Array-Spleißmethoden und ihre Anwendungsszenarien vorgestellt und spezifische Codebeispiele gegeben.

1. Numpy-Array-Spleißmethode:

1. np.concatenate
   np.concatenate-Funktion kann zwei oder mehr Arrays entlang der angegebenen Achse zusammenfügen, um ein neues Array zu bilden. Die Syntax lautet wie folgt:
   np.concatenate((a1, a2, ...), axis=0, out=None)

Unter diesen sind a1, a2, ...: die Arrays, die gespleißt werden müssen ;
Achse: Geben Sie die Spleißachse an. Der Standardwert ist 0, was bedeutet, dass das Spleißergebnis entlang der ersten Achse ausgegeben wird. Wenn nicht, wird ein neues Array erstellt und zurückgegeben.

Der Beispielcode lautet wie folgt:

import numpy as np

a = np.array([[1, 2], [3, 4]])

b = np.array([[5, 6]] )

c = np.concatenate((a, b), axis=0)

print(c)

Ausgabeergebnis:

[[1 2]

[3 4]

[5 6]]

np .vstack und np.row_stack
2. Die Funktion np.vstack stapelt zwei oder mehr Arrays vertikal (Zeilen), um ein neues Array zu bilden. Die Syntax lautet wie folgt:
   np.vstack(tup)
   

wobei tup: das Array-Tupel, das gestapelt werden muss.

np.row_stack-Funktion hat die gleiche Funktion wie np.vstack-Funktion.

Der Beispielcode lautet wie folgt:

numpy als np importieren

a = np.array([1, 2, 3])

b = np.array([4, 5, 6])

c = np .vstack( (a, b))

print(c)

Ausgabeergebnis:

[[1 2 3]

[4 5 6]]

np.hstack- und np.column_stack
3. np.hstack-Funktion Kombiniert zwei Oder mehrere Arrays werden horizontal (Spalte) zu einem neuen Array gestapelt. Die Syntax lautet wie folgt:
   np.hstack(tup)
   

wobei tup: das Array-Tupel, das gestapelt werden muss.

np.column_stack-Funktion hat die gleiche Funktion wie np.hstack-Funktion, kann aber eindimensionale Arrays verarbeiten.

Der Beispielcode lautet wie folgt:

numpy als np importieren

a = np.array([1, 2, 3])

b = np.array([4, 5, 6])

c = np .hstack( (a, b))

print(c)

Ausgabeergebnis:

[1 2 3 4 5 6]

np.dstack
4. np.dstack-Funktion teilt zwei oder mehr Arrays in Tiefenrichtung ( entlang der Z-Achse) gestapelt, um ein neues Array zu bilden. Die Syntax lautet wie folgt:
   np.dstack(tup)
   

wobei tup: das Array-Tupel, das gestapelt werden muss.

Der Beispielcode lautet wie folgt:

import numpy as np

a = np.array([[1, 2], [3, 4]])

b = np.array([[5, 6], [7, 8]])

c = np.dstack((a, b))

print(c)

Ausgabeergebnis:

[[[1 5]

[2 6]]

[[ 3 7]

[4 8]]]

2. Anwendungsszenarien

Datenzusammenführung
1. Wenn mehrere Arrays nach bestimmten Regeln zusammengeführt werden müssen, um ein großes Array zu bilden, können Sie die Numpy-Splicing-Methode verwenden. Beispielsweise sind beim maschinellen Lernen Trainings- und Testsätze häufig getrennt und müssen in einem einzigen Datensatz zusammengeführt werden.
   

Der Beispielcode lautet wie folgt:

import numpy as np

Angenommen, der Trainingssatz wurde in die Variable train_data geladen und die Form ist (m, n1)

Angenommen, der Testsatz wurde geladen die Variable test_data und die Form ist (k, n1)

Trainingssatz und Testsatz in einem Datensatz zusammenführen

data = np.concatenate((train_data, test_data), axis=0)

print(data.shape )

Datenerweiterung
2. Beim Deep Learning ist die Datenerweiterung von Trainingsbeispielen eine gängige Methode, um die Generalisierungsfähigkeit des Modells zu verbessern. Mehrere erweiterte Samples eines Samples können mithilfe der Spleißmethode von Numpy kombiniert werden.
   

Der Beispielcode lautet wie folgt:

numpy als np importieren

Angenommen, die Probe wurde in die Variable Probe geladen und die Form ist (n, m)

Führen Sie eine horizontale Flip-Erweiterung der Probe durch

flipped_sample = np.fliplr(sample)

Die erweiterten Samples zusammenführen

augmented_sample = np.hstack((sample, flipped_sample))

print(augmented_sample.shape)

Zusammenfassung:

In diesem Artikel werden die Spleißmethode von Numpy-Arrays und ihre Methoden vorgestellt Anwendungsszenarien. Mithilfe der Spleißmethode von Numpy können wir mehrere Arrays zur Datenverarbeitung und -analyse zusammenführen. Zu den Spleißmethoden gehören np.concatenate, np.vstack, np.row_stack, np.hstack, np.column_stack und np.dstack. Sie können die geeignete Methode entsprechend den spezifischen Anforderungen auswählen. Diese Methoden sind in Anwendungsszenarien wie der Datenzusammenführung und Datenerweiterung weit verbreitet und können uns dabei helfen, Daten besser zu verarbeiten und zu analysieren.

Das obige ist der detaillierte Inhalt vonVertiefende Kenntnisse der Spleißmethoden und Verwendungsmöglichkeiten von Numpy-Arrays. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!