本文作者將分享 5 個優(yōu)雅的 Python Numpy 函數(shù)，有助于高效、簡潔的數(shù)據(jù)處理。

在 reshape 函數(shù)中使用參數(shù)-1

Numpy 允許我們根據(jù)給定的新形狀重塑矩陣，新形狀應(yīng)該和原形狀兼容。有意思的是，我們可以將新形狀中的一個參數(shù)賦值為-1。這僅僅表明它是一個未知的維度，我們希望 Numpy 來算出這個未知的維度應(yīng)該是多少：Numpy 將通過查看數(shù)組的長度和剩余維度來確保它滿足上述標(biāo)準(zhǔn)。讓我們來看以下例子：

維度為-1 的不同 reshape 操作圖示。

假設(shè)我們給定行參數(shù)為 1，列參數(shù)為-1，那么 Numpy 將計算出 reshape 后的列數(shù)為 8。

假設(shè)我們給定行參數(shù)為-1，列參數(shù)為 1，那么 Numpy 將計算出 reshape 后的行數(shù)為 8。

下面的代碼也是一樣的道理。

這也適用于任何更高維度張量的 reshape，但是只有一個維度的參數(shù)能賦值為-1。

如果我們嘗試 reshape 不兼容的形狀或者是給定的未知維度參數(shù)多于 1 個，那么將會報錯。

總而言之，當(dāng)試圖對一個張量進(jìn)行 reshape 操作時，新的形狀必須包含與舊的形狀相同數(shù)量的元素，這意味著兩個形狀的維度乘積必須相等。當(dāng)使用 -1 參數(shù)時，與-1 相對應(yīng)的維數(shù)將是原始數(shù)組的維數(shù)除以新形狀中已給出維數(shù)的乘積，以便維持相同數(shù)量的元素。

Argpartition：在數(shù)組中找到最大的 N 個元素。

Numpy 的 argpartion 函數(shù)可以高效地找到 N 個最大值的索引并返回 N 個值。在給出索引后，我們可以根據(jù)需要進(jìn)行值排序。

Clip：如何使數(shù)組中的值保持在一定區(qū)間內(nèi)

在很多數(shù)據(jù)處理和算法中（比如強化學(xué)習(xí)中的 PPO），我們需要使得所有的值保持在一個上下限區(qū)間內(nèi)。Numpy 內(nèi)置的 Clip 函數(shù)可以解決這個問題。Numpy clip () 函數(shù)用于對數(shù)組中的值進(jìn)行限制。給定一個區(qū)間范圍，區(qū)間范圍外的值將被截斷到區(qū)間的邊界上。例如，如果指定的區(qū)間是 [-1,1]，小于-1 的值將變?yōu)?1，而大于 1 的值將變?yōu)?1。

Clip 示例：限制數(shù)組中的最小值為 2，最大值為 6。

Extract：從數(shù)組中提取符合條件的元素

我們可以使用 Numpy extract () 函數(shù)從數(shù)組中提取符合條件的特定元素。

同樣地，如果有需要，我們可以用 AND 和 OR 組合的直接條件，如下所示：

setdiff1d：如何找到僅在 A 數(shù)組中有而 B 數(shù)組沒有的元素

返回數(shù)組中不在另一個數(shù)組中的獨有元素。這等價于兩個數(shù)組元素集合的差集。

小結(jié)

以上 5 個 Numpy 函數(shù)并不經(jīng)常被社區(qū)使用，但是它們非常簡潔和優(yōu)雅。在我看來，我們應(yīng)該盡可能在出現(xiàn)類似情況時使用這些函數(shù)，不僅因為代碼量更少，更因為它們是解決復(fù)雜問題的絕妙方法。

選自TowardsDataScience，作者：Baijayanta Roy

機器之心編譯
文章轉(zhuǎn)載：菜鳥學(xué)Python

（版權(quán)歸原作者所有，侵刪）