<\/p>\n
Para normalizar os valores de um array NumPy entre 0 e 1, voc\u00ea pode usar um dos seguintes m\u00e9todos:<\/span><\/p>\n M\u00e9todo 1: use NumPy<\/strong><\/span><\/p>\n M\u00e9todo 2: use Sklearn<\/strong><\/span><\/p>\n Ambos os m\u00e9todos assumem que x<\/strong> \u00e9 o nome do array NumPy que voc\u00ea deseja normalizar.<\/span><\/p>\n Os exemplos a seguir mostram como usar cada m\u00e9todo na pr\u00e1tica.<\/span><\/p>\n Suponha que temos o seguinte array NumPy:<\/span><\/p>\n Podemos usar o seguinte c\u00f3digo para normalizar cada valor na matriz entre 0 e 1:<\/span><\/p>\n Cada valor na matriz NumPy foi normalizado para estar entre 0 e 1.<\/span><\/p>\n Veja como funcionou:<\/span><\/p>\n O valor m\u00ednimo no conjunto de dados \u00e9 13 e o valor m\u00e1ximo \u00e9 71.<\/span><\/p>\n Para normalizar o primeiro valor de 13<\/strong> , aplicar\u00edamos a f\u00f3rmula compartilhada anteriormente:<\/span><\/p>\n Para normalizar o segundo valor de 16<\/strong> , usar\u00edamos a mesma f\u00f3rmula:<\/span><\/p>\n Para normalizar o terceiro valor de 19<\/strong> , usar\u00edamos a mesma f\u00f3rmula:<\/span><\/p>\n Usamos esta mesma f\u00f3rmula para normalizar cada valor na matriz NumPy original entre 0 e 1.<\/span><\/p>\n Novamente, suponha que temos o seguinte array NumPy:<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o MinMaxScaler()<\/strong> do sklearn<\/strong> para normalizar cada valor no array entre 0 e 1:<\/span><\/p>\n Cada valor na matriz NumPy foi normalizado para estar entre 0 e 1.<\/span><\/p>\n Observe que esses valores normalizados correspondem aos calculados pelo m\u00e9todo anterior.<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns no NumPy:<\/span><\/p>\n Como ordenar elementos no array NumPy<\/a> Para normalizar os valores de um array NumPy entre 0 e 1, voc\u00ea pode usar um dos seguintes m\u00e9todos: M\u00e9todo 1: use NumPy import numpy as np x_norm = (x-np. min (x))\/(np. max (x)-np. min (x)) M\u00e9todo 2: use 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":[],"class_list":["post-4064","post","type-post","status-publish","format-standard","hentry","category-guia"],"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 Exemplo 1: normalizar valores usando 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
Exemplo 2: Normalizar valores usando 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 Recursos adicionais<\/strong><\/span><\/h2>\n
Como remover elementos duplicados do array NumPy<\/a>
Como encontrar o valor mais frequente no array NumPy<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"