import numpy as np a = np.array([1.0, np.nan, 3.0]) a = np.nan_to_num(a, nan=-1) # 将 NaN 转换成 -1 a = a.astype(int) # 将浮点数转换成整数 print(a)这里面的1或者3代表什么

时间: 2024-03-04 17:52:51 浏览: 83

浅谈numpy中np.array()与np.asarray的区别以及.tolist

5星 · 资源好评率100%

在Python的科学计算库NumPy中，`np.array()` 和 `np.asarray()` 都是用来创建数组对象的方法，但它们在处理已有数组时有着微妙的区别。本文将深入探讨这两个函数的区别以及`.tolist()`方法的用途。让我们了解 `np.array()` 和 `np.asarray()` 的基本功能。它们都能将不同类型的数据结构（如列表、元组）转换为NumPy的多维数组（ndarray）。然而，当输入已经是ndarray时，两者的处理方式就不同了。 1. **输入为列表时**： - `np.array()` 会创建一个新的ndarray对象，即使输入已经是ndarray，它也会复制一份数据，分配新的内存空间。 - `np.asarray()` 如果输入是ndarray，它不会创建新的副本，而是直接返回输入的引用，这意味着对原数组的修改会影响到返回的ndarray。 ```python a = [[1,2,3],[4,5,6],[7,8,9]] b = np.array(a) c = np.asarray(a) a[2] = 1 print(a) # 修改列表不影响b和c print(b) print(c) ``` 2. **输入为数组时**： - 当输入是ndarray，`np.array()` 创建的副本不会随着原始数组的改变而改变。 - `np.asarray()` 返回的是输入数组的视图（view），因此，如果对输入数组进行修改，返回的ndarray也会相应更新。 ```python a = np.random.random((3,3)) print(a.dtype) b = np.array(a, dtype='float64') # 创建副本 c = np.asarray(a, dtype='float64') # 创建视图 a[2] = 2 print(a) print(b) # b不受a影响 print(c) # c受a影响，因为是视图 ``` 在上面的例子中，当尝试更改数据类型时，`np.array()` 会创建一个新数组，而 `np.asarray()` 仅转换数据类型，但不复制数据。所以，即使输入是浮点数，改变输入的值时，使用`np.asarray()`创建的数组仍然会反映这些更改。 3. **转换为list类型**： `.tolist()` 方法可以将ndarray转换为Python列表。这个操作在需要将数组序列化或与其他不支持ndarray的函数交互时非常有用，因为ndarray本身不是可序列化的。序列化是将数据转换为可以存储或传输的格式的过程，例如JSON或XML。 ```python a = np.random.random((3,3)) b = a.tolist() a[1] = 2 print(a) # 修改ndarray会影响自身 print(b) # 不影响转换后的列表 ``` 补充知识：在计算机视觉库OpenCV中，有时我们需要将整数转换为固定长度的字符串，例如在保存图像文件名时。`cv::format`函数可以实现这一需求，它允许我们控制数字的小数位数： ```cpp int currentFrame = 2; std::stringstream frame_name; frame_name << cv::format("%.3d", currentFrame) << ".jpg"; // 或者使用C++11的字符串操作 std::string save_frame_path = std::to_string(currentFrame).substr(0,3) + ".jpg"; ``` 总结来说，`np.array()` 和 `np.asarray()` 在创建ndarray时的主要区别在于是否复制数据，而`.tolist()`方法则用于将ndarray转换为Python列表。理解这些区别对于有效管理和操作NumPy数组至关重要。在处理大型数据时，避免不必要的复制可以显著提高程序性能。

这里的1和3代表数组中的元素值，它们分别表示原始数组中的1.0和3.0，经过转换后变成了整数。在这段代码中，使用了numpy库中的nan_to_num函数，将原始数组中的NaN值替换成了-1，然后使用astype函数将浮点数转换成整数。最终输出的数组中，原来的1.0变成了1，原来的3.0变成了3，而原来的NaN值则变成了-1。

阅读全文

import numpy as np a = np.array([1.0, np.nan, 3.0]) a = np.nan_to_num(a, nan=-1) # 将 NaN 转换成 -1 a = a.astype(int) # 将浮点数转换成整数 print(a)这里面的1或者3代表什么

相关推荐

Python Numpy:找到list中的np.nan值方法

Python过滤掉numpy.array中非nan数据实例

np.nan_to_num

np.nan_to_num函数

使用 numpy.isnan() 函数检查异常值，使用 np.nan_to_num() 将 NaN 替换为特定值，或者在算法中加入特判处理异常情况。

y = np.array(y, dtype="int") TypeError: int() argument must be a string, a bytes-like object or a number, not 'NoneType'

AttributeError: 'DataFrame' object has no attribute 'nan_to_num'

raise AssertionError(msg) AssertionError: Arrays are not less-ordered x and y nan location mismatch: x: array([0., 0., 0., ..., 0., 0., 0.]) y: array([nan, nan, nan, ..., nan, nan, nan])

RuntimeWarning: invalid value encountered in sqrt colors[s] = cmap(np.sqrt((pop - vmin) / (vmax - vmin)))[:3]

numpy如何填充nan

将给定的一组数据A=［12,5,89,10,NAN,201，先转化numpy格式，将缺失值填充均值，并转换张量

numpy nan填充为0

numpy将nan值变成0

numpy如何将nan值填充为前面的非nan值

最新推荐

Python Numpy:找到list中的np.nan值方法

教师节主题班会.pptx

正整数数组验证库：确保值符合正整数规则

管理建模和仿真的文件

【损失函数与随机梯度下降】：探索学习率对损失函数的影响，实现高效模型训练

在ADS软件中，如何选择并优化低噪声放大器的直流工作点以实现最佳性能？

系统移植工具集：镜像、工具链及其他必备软件包

"互动学习：行动中的多样性与论文攻读经历"

【损失函数与批量梯度下降】：分析批量大小对损失函数影响，优化模型学习路径

在设计高性能模拟电路时，如何根据应用需求选择合适的运算放大器，并评估供电对电路性能的影响？