<\/p>\n
Per normalizzare i valori di un array NumPy compresi tra 0 e 1, puoi utilizzare uno dei seguenti metodi:<\/span><\/p>\n Metodo 1: utilizzare NumPy<\/strong><\/span><\/p>\n Metodo 2: utilizzare Sklearn<\/strong><\/span><\/p>\n Entrambi i metodi presuppongono che x<\/strong> sia il nome dell’array NumPy che desideri normalizzare.<\/span><\/p>\n Gli esempi seguenti mostrano come utilizzare ciascun metodo nella pratica.<\/span><\/p>\n Supponiamo di avere il seguente array NumPy:<\/span><\/p>\n Possiamo usare il seguente codice per normalizzare ogni valore nell’array compreso tra 0 e 1:<\/span><\/p>\n Ogni valore nell’array NumPy \u00e8 stato normalizzato per essere compreso tra 0 e 1.<\/span><\/p>\n Ecco come ha funzionato:<\/span><\/p>\n Il valore minimo nel set di dati \u00e8 13 e il valore massimo \u00e8 71.<\/span><\/p>\n Per normalizzare il primo valore di 13<\/strong> , applicheremmo la formula condivisa in precedenza:<\/span><\/p>\n Per normalizzare il secondo valore di 16<\/strong> , utilizzeremmo la stessa formula:<\/span><\/p>\n Per normalizzare il terzo valore di 19<\/strong> , utilizzeremmo la stessa formula:<\/span><\/p>\n Usiamo questa stessa formula per normalizzare ciascun valore nell’array NumPy originale tra 0 e 1.<\/span><\/p>\n Ancora una volta, supponiamo di avere il seguente array NumPy:<\/span><\/p>\n Possiamo usare la funzione MinMaxScaler()<\/strong> di sklearn<\/strong> per normalizzare ogni valore nell’array compreso tra 0 e 1:<\/span><\/p>\n Ogni valore nell’array NumPy \u00e8 stato normalizzato per essere compreso tra 0 e 1.<\/span><\/p>\n Si noti che questi valori normalizzati corrispondono a quelli calcolati utilizzando il metodo precedente.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in NumPy:<\/span><\/p>\n Come ordinare gli elementi nell’array NumPy<\/a> Per normalizzare i valori di un array NumPy compresi tra 0 e 1, puoi utilizzare uno dei seguenti metodi: Metodo 1: utilizzare NumPy import numpy as np x_norm = (x-np. min (x))\/(np. max (x)-np. min (x)) Metodo 2: utilizzare Sklearn from sklearn import preprocessing as pre x = x. reshape (-1, 1) x_norm = pre. […]<\/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 Esempio 1: normalizza i valori utilizzando 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
Esempio 2: normalizzare i valori utilizzando 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 Risorse addizionali<\/strong><\/span><\/h2>\n
Come rimuovere gli elementi duplicati dall’array NumPy<\/a>
Come trovare il valore pi\u00f9 frequente nell’array NumPy<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"