<\/p>\n
Untuk menormalkan nilai array NumPy antara 0 dan 1, Anda dapat menggunakan salah satu metode berikut:<\/span><\/p>\n Metode 1: Gunakan NumPy<\/strong><\/span><\/p>\n Metode 2: Gunakan Sklearn<\/strong><\/span><\/p>\n Kedua metode tersebut berasumsi bahwa x<\/strong> adalah nama array NumPy yang ingin Anda normalkan.<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan masing-masing metode dalam praktik.<\/span><\/p>\n Misalkan kita memiliki array NumPy berikut:<\/span><\/p>\n Kita dapat menggunakan kode berikut untuk menormalkan setiap nilai dalam array antara 0 dan 1:<\/span><\/p>\n Setiap nilai dalam array NumPy telah dinormalisasi menjadi antara 0 dan 1.<\/span><\/p>\n Begini cara kerjanya:<\/span><\/p>\n Nilai minimum pada dataset adalah 13 dan nilai maksimum adalah 71.<\/span><\/p>\n Untuk menormalkan nilai pertama 13<\/strong> , kami akan menerapkan rumus yang dibagikan sebelumnya:<\/span><\/p>\n Untuk menormalkan nilai kedua dari 16<\/strong> , kita akan menggunakan rumus yang sama:<\/span><\/p>\n Untuk menormalkan nilai ketiga dari 19<\/strong> , kita akan menggunakan rumus yang sama:<\/span><\/p>\n Kami menggunakan rumus yang sama untuk menormalkan setiap nilai dalam array NumPy asli antara 0 dan 1.<\/span><\/p>\n Sekali lagi, misalkan kita memiliki array NumPy berikut:<\/span><\/p>\n Kita dapat menggunakan fungsi MinMaxScaler()<\/strong> sklearn<\/strong> untuk menormalkan setiap nilai dalam array antara 0 dan 1:<\/span><\/p>\n Setiap nilai dalam array NumPy telah dinormalisasi menjadi antara 0 dan 1.<\/span><\/p>\n Perhatikan bahwa nilai yang dinormalisasi ini cocok dengan nilai yang dihitung menggunakan metode sebelumnya.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di NumPy:<\/span><\/p>\n Cara mengurutkan elemen dalam array NumPy<\/a> Untuk menormalkan nilai array NumPy antara 0 dan 1, Anda dapat menggunakan salah satu metode berikut: Metode 1: Gunakan NumPy import numpy as np x_norm = (x-np. min (x))\/(np. max (x)-np. min (x)) Metode 2: Gunakan Sklearn from sklearn import preprocessing as pre x = x. reshape (-1, 1) x_norm = pre. MinMaxScaler (). fit_transform […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n import<\/span> numpy as<\/span> np\n\nx_norm = (x-np. min<\/span> (x))\/(np. max<\/span> (x)-np. min<\/span> (x))\n<\/strong><\/pre>\n from<\/span> sklearn import<\/span> preprocessing as<\/span> pre\n\nx = x. reshape<\/span> (-1, 1)\n\nx_norm = pre. MinMaxScaler<\/span> (). fit_transform<\/span> (x)<\/strong><\/pre>\n Contoh 1: Normalisasikan nilai menggunakan NumPy<\/strong><\/span><\/h2>\n
import<\/span> numpy as<\/span> np\n\n#create NumPy array\n<\/span>x = np. array<\/span> ([13, 16, 19, 22, 23, 38, 47, 56, 58, 63, 65, 70, 71])\n<\/strong><\/span><\/pre>\n #normalize all values to be between 0 and 1\n<\/span>x_norm = (x-np. min<\/span> (x))\/(np. max<\/span> (x)-np. min<\/span> (x))\n\n#view normalized array\n<\/span>print<\/span> (x_norm)\n\n[0. 0.05172414 0.10344828 0.15517241 0.17241379 0.43103448\n 0.5862069 0.74137931 0.77586207 0.86206897 0.89655172 0.98275862\n 1. ]\n<\/strong><\/span><\/pre>\n\n
\n
\n
Contoh 2: Normalisasikan nilai menggunakan sklearn<\/strong><\/span><\/h2>\n
import<\/span> numpy as<\/span> np\n\n#create NumPy array\n<\/span>x = np. array<\/span> ([13, 16, 19, 22, 23, 38, 47, 56, 58, 63, 65, 70, 71])\n<\/strong><\/span><\/pre>\n from<\/span> sklearn import<\/span> preprocessing as<\/span> pre\n\n#reshape array so that it works with sklearn\n<\/span>x = x. reshape<\/span> (-1, 1)\n\n#normalize all values to be between 0 and 1\n<\/span>x_norm = pre. MinMaxScaler<\/span> (). fit_transform<\/span> (x)\n\n#view normalized array\n<\/span>print<\/span> (x_norm)\n\n[[0. ]\n [0.05172414]\n [0.10344828]\n [0.15517241]\n [0.17241379]\n [0.43103448]\n [0.5862069]\n [0.74137931]\n [0.77586207]\n [0.86206897]\n [0.89655172]\n [0.98275862]\n [1. ]]<\/strong><\/span><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara menghapus elemen duplikat dari array NumPy<\/a>
Cara menemukan nilai paling sering dalam array NumPy<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"