Numpy 功能十分强大,很多我们想要的复杂操作都有实现。今天分享几个数据分析中经常需要用到的重要函数。掌握这些函数可以帮助我们保持代码整洁并且避免重复造轮子。 准备工作导入numpyimport numpy as np 示例数据本文以二分类任务为例,通常我们的model会输出预测的概率,得到概率后需要进行后续的处理,比如: ·根据阈值,将概率大于某个阈值的label设置为1,小于阈值的设置为0·在模型诊断过程中,找出满足某些条件的样本 本文使用的示例数据如下:
where()np.where() 方法可以帮助我们找到array中满足条件的元素的位置。现在我们可以使用np.where()找出所有预测概率大于0.5的的元素了: predict_prob = np.array([0.1,0.3,0.7,0.4,0.9]) np.where(predict_prob > 0.5) # output:array([2, 4]),)
一个简单粗暴的方式是先用上面的方法分别找出array中概率大于或者小于0.5的索引,然后再对这些位置的元素重新赋值。 其实,np.where() 一个函数就能完成所有的操作,只需要添加两个参数: ·第一个参数是满足条件替换的值·第二个参数是不满足条件替换的值
argmin()、argmax()、argsort()np.argmin()、np.argmax()方法会返回array中最小或最大的元素索引,对示例数据运行结果如下: predict_prob = np.array([0.1,0.3,0.7,0.4,0.9])
np.argmax(predict_prob) # output: 4 np.argmin(predict_prob) # output: 0
现在该轮到np.sort()上场了
np.argsort()方法还支持多维数据的排序,感兴趣的可以自行查看Numpy官方文档[1] intersect1d()intersect1d()要做的是,它会找出两个array中的交集,这个函数和前面的几个函数不同,返回的不是索引位置,而是array中的实际值。 本函数我们使用新的示例数据: arr1 = np.array([1,2,4,4,6]) arr2 = np.array([2,3,4,5,6]) 现在,我们可以使用intersect1d()找出两个数组共同的元素了:
引用链接
|
|