Método Numpy Normalize

A linguagem de programação do Python facilitou a vida dos programadores com suas bibliotecas úteis. O Numpy é uma biblioteca de código aberto usado com matrizes e uma biblioteca mais comum para realizar qualquer tipo de computação numérica. Numpy significa Python numérico, o que significa que todos os tipos de computação numérica podem ser executados usando as funções da biblioteca Numpy. Ele fornece o método normalizado para normalizar matrizes, vetores e tudo. Este artigo explorará o método Numpy Normalizar em programas Python. Usando alguns exemplos simples e fáceis, demonstraremos como normalizar os dados fornecidos usando o método Numpy Normalize.

Qual é o método Numpy Normalize?

Cientistas de dados e analistas de dados estão muito bem cientes da normalização de dados. A normalização dos dados é um processo de ajuste de dados de várias escalas para uma escala comum. Simplesmente, a normalização é o processo de dimensionar uma série de dados sobre o intervalo desejado. Numpy é uma das bibliotecas matemáticas mais poderosas fornecidas na sua linguagem de programação Python. Oferece o método normalizado para normalizar a lista fornecida de dados. Agora vamos aprender a usar o método Numpy Normalize em programas Python.

Exemplo 1

Este primeiro exemplo é simples e básico e projetado para todos os tipos de desenvolvedores, eu.e., iniciantes e especialistas. Aqui vamos usar o Numpy.Linalg.norma () função para normalizar um vetor. O código de referência é fornecido abaixo para sua orientação, dê uma olhada.

importar numpy como NPY
NPY.aleatório.semente (5)
ary = npy.aleatório.Rand (20)
v_norm = npy.Linalg.norma (ary)
print ("O vetor normalizado é =", v_norm)

O programa começou com a importação da biblioteca Numpy no programa com a declaração “Importar Numpy como NPY”. A variável NPY representará a biblioteca Numpy em todo o programa e será usada para chamar a função norma () no programa. A função Seed () é usada para inicializar o gerador de números aleatórios com 5. O NPY.aleatório.A declaração de semente (5) inicializará a função aleatória () para gerar um número aleatório.

Depois disso, o NPY.aleatório.Rand (20) A declaração é usada para fazer uma matriz de 20 números aleatórios. A matriz computada passou para a função norma () para normalizá -la usando o NPY.Linalg.Declaração de norma (ARY). A instrução print () é útil para exibir qualquer saída na tela, por isso a usamos para exibir o valor vetorial normalizado da matriz calculada. Dado abaixo, está a saída:

Exemplo 2

Além da função norma (), temos um método normalizado fornecido pela Biblioteca Sklearn. Neste exemplo, utilizaremos o método normalizado para normalizar os dados fornecidos. O exemplo de referência é fornecido abaixo para ajudá -lo a entender como usar o método normalizado fornecido pela Biblioteca Sklearn para normalizar um vetor:

importar numpy como npy
de Sklearn.Importação de pré -processamento normaliza
NPY.aleatório.semente (5)
ary = npy.aleatório.Rand (10).remodelar (2,5)
v_norm = normalizar (arr)
print ("O vetor normalizado é = \ n", v_norm)

Aqui, a biblioteca Numpy é importada para o programa usando a declaração “Importar Numpy como NPY”. Depois disso, a Biblioteca Sklearn é importada para o programa com “De Sklearn.Pré -processamento importar normalizar ”declaração. A função de semente (5) é usada para inicializar a função aleatória () e aleatório.A função RAND (10) é usada para gerar 10 números aleatórios.

Se você perceber, usamos a declaração de remodelamento (2,5) para remodelar a matriz em 2-D. Então, quando executamos o NPY.aleatório.Rand (10).declaração remodelada (2, 5), 20 números aleatórios serão gerados, cada dimensão da matriz contendo 10 itens. A matriz 2D calculada é passada para a função normalize () para obter o resultado normalizado dele. Usando a instrução print (), a matriz normalizada de 20 itens é exibida. Veja a saída do programa abaixo:

Exemplo 3

Anteriormente, aprendemos a normalizar os vetores usando as funções Norm () e Normalize (). Este exemplo fará você aprender a normalizar uma matriz usando a função norma (). O código de referência é fornecido na captura de tela abaixo:

importar numpy como npy
a = npy.Array ([3, 2, 6, 4, 8, 9])
B = NPY.Linalg.norma (a)
print ('a matriz é = \ n', a)
print ('\ nA valor normalizado é =', b)
n = a/b
print ('\ nA matriz normalizada é = \ n', n)

A biblioteca Numpy é importada para o programa para que possamos usar a função norma () associada a ele. Uma matriz "A" é declarada usando o NPY.Função Array () contendo 6 itens. A matriz "A" é passada para o Linalg.norma () função para executar a normalização. Utilizamos três instruções Print (), a instrução PRIMP PRINT () é usada para mostrar a matriz original, a segunda instrução print () é usada para mostrar o valor normalizado da matriz e, finalmente, a terceira instrução PRINT () é usada para mostrar a matriz normalizada. A saída é a seguinte:

Exemplo 4

Neste exemplo, normalizaremos a mesma matriz com o método normalizado da biblioteca Sklearn. O código de referência é fornecido abaixo para o seu entendimento:

importar numpy como NPY
de Sklearn.Importação de pré -processamento normaliza
a = npy.Array ([3, 2, 6, 4, 8, 9])*5
b = normalizar (a [:, npy.newaxis], eixo = 0)
print ('A matriz normalizada é = \ n', b)

Primeiro, as bibliotecas Numpy e Sklearn são importadas para usar o método Array () e normalizar no programa. A matriz declarada é passada para a função normalize () para executar a normalização, e o comando print () é usado para exibir o resultado normalizado. Veja a saída gerada abaixo:

Exemplo 5

Da maneira como normalizamos a matriz 1-D, a matriz 2-D também pode ser normalizada usando o mesmo processo. Todas as matrizes dimensionais podem ser normalizadas usando as funções da biblioteca Numpy. Neste exemplo, uma matriz 2-D é normalizada usando a função norma (). Veja o código de referência fornecido na captura de tela abaixo:

importar numpy como npy
a = npy.Array ([[3, 2, 6], [4, 8, 9]]))
B = NPY.Linalg.norma (a)
print ('a matriz é = \ n', a)
print ('\ nA valor normalizado é =', b)
n = a/b
print ('\ nA matriz normalizada é = \ n', n)

Como você pode notar, usamos o mesmo código e processo que fizemos nos exemplos anteriores. Mudamos a matriz de 1-D para 2-D. Você notará na saída abaixo que a função norma () lida com a matriz fornecida da mesma maneira que é fornecida. Se a matriz fornecida for 1-D, os dados normalizados resultantes estarão em 1-D. Mas se a matriz fornecida for 2D ou 3-D, ou N-D, a saída normalizada resultante será 2-D ou 3-D, ou N-D. A seguir, a saída da função norma ():

Exemplo 6

Este exemplo usará a função normalize () da biblioteca Sklearn para normalizar a matriz 2-D. Observe que o código é o mesmo; Somente os dados de entrada são uma matriz 2D. Veja o código de referência abaixo:

importar numpy como NPY
a = npy.Array ([[3, 2, 6], [4, 8, 9]]))
b = normalizar (a)
print ('a matriz é = \ n', a)
print ('\ nA valor normalizado é =', b)
n = a/b
print ('\ nA matriz normalizada é = \ n', n)

Novamente, a função normalizada fornece a matriz normalizada da mesma maneira que a entrada é dada. Dado abaixo, está o resultado do código:

Conclusão

Tivemos um rápido tour pelo método Numpy Normalize neste artigo. O conceito de normalização é o processo de dimensionar os dados fornecidos na série desejada. Neste artigo, exploramos o método Numpy Normalize, juntamente com o método de normalização sklearn. Com a ajuda de exemplos, aprendemos a usar as funções norma () e normalize () em programas Python.