Méthode de normalisation de Numpy

Le langage de programmation Python a facilité la vie des programmeurs avec ses bibliothèques utiles. Le Numpy est une bibliothèque open source utilisée avec des tableaux et une bibliothèque la plus courante pour effectuer tout type de calcul numérique. Numpy signifie Numerical Python, ce qui signifie que tous les types de calcul numérique peuvent être effectués en utilisant les fonctions de la bibliothèque Numpy. Il fournit la méthode de normalisation pour normaliser les tableaux, les vecteurs et tout. Cet article explorera la méthode de normalisation Numpy dans les programmes Python. En utilisant des exemples simples et faciles, nous montrerons comment normaliser les données données à l'aide de la méthode de normalisation Numpy.

Quelle est la méthode de normalisation de Numpy?

Les scientifiques des données et les analystes de données sont très bien conscients de la normalisation des données. La normalisation des données est un processus d'ajustement des données de différentes échelles à une échelle commune. Simplement, la normalisation est le processus de mise à l'échelle d'une série de données sur la plage souhaitée. Numpy est l'une des bibliothèques mathématiques les plus puissantes fournies dans ton langage de programmation Python. Il offre la méthode de normalisation pour normaliser la liste donnée des données. Maintenant, apprenons à utiliser la méthode de normalisation Numpy dans les programmes Python.

Exemple 1

Ce premier exemple est simple et basique et conçu pour toutes sortes de développeurs, je.e., Novices et experts. Ici, nous utiliserons le Numpy.linalg.Fonction Norm () pour normaliser un vecteur. Le code de référence est donné ci-dessous pour vos conseils, jetez un œil.

Importer Numpy comme NPY
NPY.aléatoire.graines (5)
ary = npy.aléatoire.Rand (20)
v_norm = npy.linalg.norme (ary)
Print ("Le vecteur normalisé est =", v_norm)

Le programme a commencé par l'importation de la bibliothèque Numpy dans le programme avec l'instruction «Importer Numpy As NPY». La variable NPY représentera la bibliothèque Numpy dans l'ensemble du programme et sera utilisée pour appeler la fonction Norm () dans le programme. La fonction Seed () est utilisée pour initialiser le générateur de nombres aléatoires avec 5. Le NPY.aléatoire.L'instruction Seed (5) va initialiser la fonction aléatoire () pour générer un nombre aléatoire.

Après cela, le NPY.aléatoire.La déclaration RAND (20) est utilisée pour faire un tableau de 20 nombres aléatoires. Le tableau calculé est passé à la fonction Norm () pour le normaliser en utilisant le NPY.linalg.Déclaration de norme (ARY). L'instruction print () est utile pour afficher toute sortie à l'écran, nous l'avons donc utilisée pour afficher la valeur vectorielle normalisée du tableau calculé. Ci-dessous est la sortie:

Exemple 2

Outre la fonction Norm (), nous avons une méthode normalisée fournie par la bibliothèque Sklearn. Dans cet exemple, nous utiliserons la méthode de normalisation pour normaliser les données données. L'exemple de référence est donné ci-dessous pour vous aider à comprendre comment utiliser la méthode de normalisation fournie par la bibliothèque Sklearn pour normaliser un vecteur:

Importer Numpy comme NPY
de Sklearn.Prétraitement l'importation de normalisation
NPY.aléatoire.graines (5)
ary = npy.aléatoire.Rand (10).Reshape (2,5)
v_norm = normaliser (arr)
print ("Le vecteur normalisé est = \ n", v_norm)

Ici, la bibliothèque Numpy est importée dans le programme à l'aide de l'instruction «Importer Numpy As NPY». Après cela, la bibliothèque Sklearn est importée dans le programme avec «de Sklearn.Instruction de prétraitement d'importation de normalisation ». La fonction de graine (5) est utilisée pour initialiser la fonction aléatoire () et aléatoire.La fonction Rand (10) est utilisée pour générer 10 nombres aléatoires.

Si vous remarquez, nous avons utilisé la déclaration Reshape (2,5) pour remodeler le tableau en 2D. Alors quand nous exécutons le NPY.aléatoire.Rand (10).Reshape (2, 5) instruction, 20 nombres aléatoires seront générés, chaque dimension de tableau contenant 10 éléments. Le tableau 2D calculé est passé à la fonction normalisée () pour obtenir le résultat normalisé de celui-ci. À l'aide de l'instruction print (), le tableau normalisé de 20 éléments s'affiche. Voir la sortie du programme ci-dessous:

Exemple 3

Auparavant, nous avons appris à normaliser les vecteurs en utilisant les fonctions Norm () et Normalize (). Cet exemple vous fera apprendre à normaliser un tableau à l'aide de la fonction Norm (). Le code de référence est donné dans la capture d'écran ci-dessous:

Importer Numpy comme NPY
a = npy.Array ([3, 2, 6, 4, 8, 9])
b = npy.linalg.norme (a)
print ('le tableau est = \ n', a)
imprimer ('\ n la valeur normalisée est =', b)
n = a / b
imprimer ('\ n le tableau normalisé est = \ n', n)

La bibliothèque Numpy est importée dans le programme afin que nous puissions utiliser la fonction Norm () qui lui est associée. Un tableau «A» est déclaré utiliser le NPY.Fonction Array () contenant 6 éléments. Le tableau «A» est transmis au linalg.Fonction Norm () pour effectuer la normalisation. Nous avons utilisé trois instructions print (), la première instruction PRINT () est utilisée pour afficher le tableau d'origine, la deuxième instruction PRINT () est utilisée pour afficher la valeur normalisée du tableau, et enfin, la troisième instruction PRINT () est utilisée Pour montrer le tableau normalisé. La sortie est la suivante:

Exemple 4

Dans cet exemple, nous normaliserons le même tableau avec la méthode de normalisation de la bibliothèque Sklearn. Le code de référence est donné ci-dessous pour votre compréhension:

Importer Numpy comme NPY
de Sklearn.Prétraitement l'importation de normalisation
a = npy.Array ([3, 2, 6, 4, 8, 9]) * 5
b = normaliser (a [:, npy.newaxis], axe = 0)
imprimer ('le tableau normalisé est = \ n', b)

Tout d'abord, les bibliothèques Numpy et Sklearn sont importées pour utiliser le tableau () et normaliser la méthode du programme. Le tableau déclaré est transmis à la fonction normalisée () pour effectuer la normalisation, et la commande print () est utilisée pour afficher le résultat normalisé. Voir la sortie générée ci-dessous:

Exemple 5

Juste la façon dont nous normalisons le tableau 1D, le tableau 2D peut également être normalisé en utilisant le même processus. Tous les tableaux dimensionnels peuvent être normalisés en utilisant les fonctions de la bibliothèque Numpy. Dans cet exemple, un tableau 2D est normalisé à l'aide de la fonction Norm (). Voir le code de référence donné dans la capture d'écran ci-dessous:

Importer Numpy comme NPY
a = npy.Array ([[3, 2, 6], [4, 8, 9]])
b = npy.linalg.norme (a)
print ('le tableau est = \ n', a)
imprimer ('\ n la valeur normalisée est =', b)
n = a / b
imprimer ('\ n le tableau normalisé est = \ n', n)

Comme vous pouvez le remarquer, nous avons utilisé le même code et processus que nous l'avons fait dans les exemples précédents. Nous avons changé le tableau de 1-D à 2-D. Vous remarquerez à partir de la sortie ci-dessous que la fonction Norm () gère le tableau donné de la même manière qu'il est fourni. Si le tableau donné est 1-D, les données normalisées qui en résultent seront en 1-D. Mais si le tableau donné est 2-d ou 3-d, ou n-d, la sortie normalisée résultante sera 2-D ou 3-D, ou N-D. Voici la sortie de la fonction Norm ():

Exemple 6

Cet exemple utilisera la fonction normalisée () de la bibliothèque Sklearn pour normaliser le tableau 2D. Notez que le code est le même; Seules les données d'entrée sont un tableau 2D. Voir le code de référence ci-dessous:

Importer Numpy comme NPY
a = npy.Array ([[3, 2, 6], [4, 8, 9]])
b = normaliser (a)
print ('le tableau est = \ n', a)
imprimer ('\ n la valeur normalisée est =', b)
n = a / b
imprimer ('\ n le tableau normalisé est = \ n', n)

Encore une fois, la fonction normalisée donne au tableau normalisé de la même manière que l'entrée est donnée. Ci-dessous est le résultat du code:

Conclusion

Nous avons fait une visite rapide de la méthode Numpy Normalisation dans cet article. Le concept de normalisation est le processus de mise à l'échelle des données données sur la série souhaitée. Dans cet article, nous avons exploré la méthode de normalisation Numpy avec la méthode de normalisation de Sklearn. À l'aide d'exemples, nous apprenons à utiliser les fonctions Norm () et Normaliser () dans les programmes Python.