<\/p>\n
Om de waarden van een NumPy-array tussen 0 en 1 te normaliseren, kunt u een van de volgende methoden gebruiken:<\/span><\/p>\n Methode 1: Gebruik NumPy<\/strong><\/span><\/p>\n Methode 2: Gebruik Sklearn<\/strong><\/span><\/p>\n Bij beide methoden wordt ervan uitgegaan dat x<\/strong> de naam is van de NumPy-array die u wilt normaliseren.<\/span><\/p>\n De volgende voorbeelden laten zien hoe u elke methode in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we de volgende NumPy-array hebben:<\/span><\/p>\n We kunnen de volgende code gebruiken om elke waarde in de array tussen 0 en 1 te normaliseren:<\/span><\/p>\n Elke waarde in de NumPy-array is genormaliseerd tussen 0 en 1.<\/span><\/p>\n Hier is hoe het werkte:<\/span><\/p>\n De minimumwaarde in de dataset is 13 en de maximumwaarde is 71.<\/span><\/p>\n Om de eerste waarde van 13<\/strong> te normaliseren, zouden we de eerder gedeelde formule toepassen:<\/span><\/p>\n Om de tweede waarde van 16<\/strong> te normaliseren, zouden we dezelfde formule gebruiken:<\/span><\/p>\n Om de derde waarde van 19<\/strong> te normaliseren, zouden we dezelfde formule gebruiken:<\/span><\/p>\n We gebruiken dezelfde formule om elke waarde in de originele NumPy-array tussen 0 en 1 te normaliseren.<\/span><\/p>\n Stel opnieuw dat we de volgende NumPy-array hebben:<\/span><\/p>\n We kunnen de functie MinMaxScaler()<\/strong> van sklearn<\/strong> gebruiken om elke waarde in de array tussen 0 en 1 te normaliseren:<\/span><\/p>\n Elke waarde in de NumPy-array is genormaliseerd tussen 0 en 1.<\/span><\/p>\n Merk op dat deze genormaliseerde waarden overeenkomen met de waarden die zijn berekend met de vorige methode.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in NumPy kunt uitvoeren:<\/span><\/p>\n Hoe elementen in de NumPy-array te bestellen<\/a> Om de waarden van een NumPy-array tussen 0 en 1 te normaliseren, kunt u een van de volgende methoden gebruiken: Methode 1: Gebruik NumPy import numpy as np x_norm = (x-np. min (x))\/(np. max (x)-np. min (x)) Methode 2: Gebruik Sklearn from sklearn import preprocessing as pre x = x. reshape (-1, 1) x_norm = […]<\/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":[],"class_list":["post-4065","post","type-post","status-publish","format-standard","hentry","category-gids"],"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 Voorbeeld 1: Normaliseer waarden met 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
Voorbeeld 2: Waarden normaliseren met behulp van 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 Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe dubbele elementen uit de NumPy-array te verwijderen<\/a>
Hoe u de meest voorkomende waarde in de NumPy-array kunt vinden<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"