在机器学习和数据科学项目的日常数据处理中，我们会遇到一些特殊的情况，这些情况需要样板代码来解决。在此期间，根据大家的需要和使用情况，其中一些转换为核心语言或包本身提供的基本功能。这里我将分享5个优雅的python Numpy函数，它们可以用于高效和简洁的数据操作。

1)   使用-1进行整形

Numpy允许我们重新塑造一个矩阵，提供新的形状应该与原始形状兼容。这个新形状的一个有趣之处是，我们可以将形状参数设为-1。它只是意味着它是一个未知的维度，我们希望Numpy能够理解它。Numpy将通过查看“数组的长度和剩余维度”来确定它是否满足上述条件。现在我们来看一个例子。

[caption id="attachment_46633" align="aligncenter" width="961"] 一维为-1的不同图形的表示[/caption]

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

              [5, 6, 7, 8]])

a.shape

(2, 4)

假设我们将行设为1，把-1作为列，那么Numpy将能够找到列8。

a.reshape(1,-1)

array([[1, 2, 3, 4, 5, 6, 7, 8]])

假设我们将行设为-1，将1设为列，那么Numpy将能够找到行8。

a.reshape(-1,1)

array([[1],

       [2],

       [3],

       [4],

       [5],

       [6],

       [7],

       [8]])

类似的情况也是可能的。

a.reshape(-1,4)

array([[1, 2, 3, 4],

       [5, 6, 7, 8]])

a.reshape(-1,2)

array([[1, 2],

       [3, 4],

       [5, 6],

       [7, 8]])

a.reshape(2,-1)

array([[1, 2, 3, 4],

       [5, 6, 7, 8]])

a.reshape(4,-1)

array([[1, 2],

       [3, 4],

       [5, 6],

       [7, 8]])

这也适用于任何高阶张量的整形，但是只有一个维度可以被赋值为-1。

a.reshape(2,2,-1)

array([[[1, 2],

        [3, 4]],

       [[5, 6],

        [7, 8]]])

a.reshape(2,-1,1)

array([[[1],

        [2],

        [3],

        [4]],

       [[5],

        [6],

        [7],

        [8]]])

如果我们试图重新塑造一个不兼容的形状或一个以上的未知形状，那么将会出现一个错误消息。

a.reshape(-1,-1)

ValueError: can only specify one unknown dimension

a.reshape(3,-1)

ValueError: cannot reshape array of size 8 into shape (3,newaxis)

综上所述，在重塑数组时，新形状必须包含与旧形状相同数量的元素，这意味着两个形状的维度的乘积必须相等。当使用-1时，对应于-1的维数将是原始数组维数除以给定重塑的维数的乘积，以保持相同数量的元素。

2) Argpartition:查找数组中的N个最大值

Numpy有一个名为argpartition的函数，它可以有效地找到N个值中最大的索引和N个值。它提供索引，如果需要排序的值，则可以进行排序。

array = np.array([10, 7, 4, 3, 2, 2, 5, 9, 0, 4, 6, 0])

index = np.argpartition(array, -5)[-5:]

index

array([ 6, 1, 10, 7, 0], dtype=int64)

np.sort(array[index])

array([ 5, 6, 7, 9, 10])

3）Clip：如何将数组中的值保持在一个间隔内

在许多数据问题或算法(如PPO在强化学习)中，我们需要保持所有的值在一个上下限。Numpy内置了一个名为Clip的函数，可以用于这种目的。函数的作用是:剪切(限制)数组中的值。给定一个区间，区间外的值被裁剪到区间边缘。例如，如果指定的间隔为[- 1,1]，小于-1的值将变为-1，大于1的值将变为1。

[caption id="attachment_46640" align="alignnone" width="1368"] 带有最小值2和最大值6的剪辑示例[/caption]

#Example-1

array = np.array([10, 7, 4, 3, 2, 2, 5, 9, 0, 4, 6, 0])

print (np.clip(array,2,6))

[6 6 4 3 2 2 5 6 2 4 6 2]

#Example-2

array = np.array([10, -1, 4, -3, 2, 2, 5, 9, 0, 4, 6, 0])

print (np.clip(array,2,5))

[5 2 4 2 2 2 5 5 2 4 5 2]

4) Extract:根据条件从数组中提取特定的元素

我们可以使用Numpy extract()函数从匹配条件的数组中提取特定的元素。

arr = np.arange(10)

arr

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

# Define the codition, here we take MOD 3 if zero

condition = np.mod(arr, 3)==0

condition

array([ True, False, False, True, False, False, True, False,

False,True])

np.extract(condition, arr)

array([0, 3, 6, 9])

 

类似地，我们可以将直接条件与和或（如果需要）结合使用

np.extract(((arr > 2) & (arr < 8)), arr)

array([3, 4, 5, 6, 7])

5) setdiff1d:如何找到一个数组中与另一个数组相比的唯一值

返回数组中不在另一个数组中的唯一值。这相当于两个数组的集合差。

a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])

b = np.array([3,4,7,6,7,8,11,12,14])

c = np.setdiff1d(a,b)

c

array([1, 2, 5, 9])

最后注意:

这是5个Numpy函数，它们不经常被公众使用，但是它们非常整洁和优雅。在我看来，我们应该在类似的情况下使用它们，因为它们不仅提供了更少的代码，而且提供了实现复杂问题解决方案的最聪明的方法。