numpy學習 資料預處理

待處理的資料：150*150的灰度，除分析目標外，背景已經抹０

需要實現的目標：背景數字０不變，對其餘數字做乙個歸一化處理

對list處理可以用

a=list(set(a))　＃　實現了去除重複元素並排序

對array處理可以用np.unique()這個函式，可以去除其中重複的元素，並按元素由大到小返回乙個新的無元素重複的元組或者列表

import

numpy as np
a = [1, 2, 2, 3, 4, 3]
a =np.unique(a)
print(a) #
輸出為 [1 2 3 4]
a, b, c = np.unique(a, return_index=true, return_inverse=true)
print(a, b, c) #
輸出為 [1 2 3 4], [0 1 3 4], [0 1 1 2 3 2]

發現乙個函式非常適合了：np.where()

img = (img-min)/(max-min)

arr = np.where(img <= 1, img, 0)

numpy.

where

(condition, [x, y])

1、這裡x,y是可選引數，condition是條件，這三個輸入引數都是array_like的形式；而且三者的維度相同

2、當conditon的某個位置的為true時，輸出x的對應位置的元素，否則選擇y對應位置的元素；

3、如果只有引數condition，則函式返回為true的元素的座標位置資訊；

今天還學到了乙個新函式記錄一下：

np.maximum：(x, y, out=none) 

１、x 與 y 逐位比較取其大者；

２、最少接收兩個引數

總結：對numpy庫還非常不熟悉，要慢慢學習。

機器學習 資料預處理

均值為0，標準差為1 from sklearn import preprocessing scaler preprocessing.standardscaler scaler.fit transform x 對原始資料進行線性變換，變換到 0,1 區間 也可以是其他固定最小最大值的區間 from s...

機器學習 資料預處理

1 連續資料特徵離散化的方法 由於lr 中模型表達能力有限，可以通過特徵離散化來提高非線性學習能力。主要方法 1 等距離散 取值範圍均勻劃分成n 等分，每份的間距相等。2 等頻離散 均勻分為n 等分，每份內包含的觀察點數相同 3 優化離散 3 1 卡方檢驗方法 統計樣本的實際觀測值與理論判斷值之間的...

資料預處理

現實世界中資料大體上都是不完整，不一致的髒資料，無法直接進行資料探勘，或挖掘結果差強人意。為了提前資料探勘的質量產生了資料預處理技術。資料預處理有多種方法 資料清理，資料整合，資料變換，資料歸約等。這些資料處理技術在資料探勘之前使用，大大提高了資料探勘模式的質量，降低實際挖掘所需要的時間。一 資料清...