Det nussede modul af Python giver en funktion kaldet numpy.diff til beregning af nthdiskret forskel langs den givne akse. Hvis 'x' er input-arrayet, så er den første forskel givet ved ud[i]=x[i+1]-a[i]. Vi kan beregne den højere forskel ved at bruge diff rekursivt. numpy-modulet i Python giver en funktion kaldet numpy.diff til at beregne den n'te diskrete forskel langs den givne akse. Hvis 'x' er input-arrayet, så er den første forskel givet ved ud[i]=x[i+1]-a[i]. Vi kan beregne den højere forskel ved at bruge diff rekursivt.
normalisering i databasen
Syntaks
numpy.diff(a, n=1, axis=-1, prepend=, append=)
Parametre
x: array_like
Denne parameter definerer kildearrayet, hvis elementer n'te diskrete deference er dem, vi ønsker at beregne.
n: int(valgfrit)
Denne parameter definerer antallet af gange, værdierne afviges. Hvis den er 0, returneres kildearrayet, som det er.
tilføje, forsætte: array_like (valgfrit)
Denne parameter definerer en ndarray, som definerer de værdier, der skal tilføjes eller foranstilles til 'x' , langs aksen før beregning af forskelle.
Vender tilbage:
Denne funktion returnerer et ndarray indeholdende n'te forskelle med samme form som 'x,' og dimensionen er mindre fra n . Typen af forskel mellem to elementer af 'x' er typen af output.
c program streng array
Eksempel 1:
import numpy as np arr = np.array([0, 1, 2], dtype=np.uint8) arr b=np.diff(arr) b arr[2,...] - arr[1,...] - arr[0,...]
Produktion:
array([0, 1, 2], dtype=uint8) array([1, 1], dtype=uint8) 1
I ovenstående kode
konverter streng til char
- Vi har importeret numpy med alias navn np.
- Vi har lavet et array 'arr' ved brug af np.array() funktion med dtype 'uint8' .
- Vi har erklæret variablen 'b' og tildelt den returnerede værdi af np.diff() fungere.
- Vi har passeret rækken 'arr' i funktionen.
- Til sidst forsøgte vi at udskrive værdien af 'b' og forskellen mellem elementerne.
I outputtet viser det de diskrete forskelle mellem elementer.
Eksempel 2:
import numpy as np x = np.array([11, 21, 41, 71, 1, 12, 33, 2]) y = np.diff(x) x y
Produktion:
array([11, 21, 41, 71, 1, 12, 33, 2]) array([ 10, 20, 30, -70, 11, 21, -31])
Eksempel 3:
import numpy as np x = np.array([[11, 21, 41], [71, 1, 12], [33, 2, 13]]) y = np.diff(x, axis=0) y z = np.diff(x, axis=1) z
Produktion:
array([[ 60, -20, -29], [-38, 1, 1]]) array([[ 10, 20], [-70, 11], [-31, 11]])
Eksempel 4:
import numpy as np x = np.arange('1997-10-01', '1997-12-16', dtype=np.datetime64) y = np.diff(x) y
Produktion:
java matematik klasse
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], dtype='timedelta64[D]')
I ovenstående kode
- Vi har importeret numpy med alias navn np.
- Vi har lavet en række datoer 'x' ved brug af np.arange() funktion med dtype 'datetime64' .
- Vi har erklæret variablen 'og' og tildelt den returnerede værdi af np.diff() fungere.
- Vi har passeret rækken 'x' i funktionen.
- Til sidst forsøgte vi at udskrive værdien af 'og' .
I outputtet viser det de diskrete forskelle mellem datoer.