标签: numpy

python 的 numpy.ndarray 和列表​​数据类型有什么区别？我有模糊的想法，但想得到明确的答案：

1. 内存大小
2. 访问速度/顺序
3. 适当修改的速度/顺序但保留长度
4. 改变长度的影响

谢谢！

就像是：

class Test:
    def __init__(self, n):
        self.id = n

    def __str__(self):
        return str(self.id)

my_list = []
my_list.append(Test(1))
my_list.append(Test(2))
my_list.append(Test(3))

是否可以获取列表中具有最大或最小id的元素？

我有一个带有二进制值的数据框，在使用 Pandas 执行 get_dummies 后

df= 
Values  A1  A2  B1  B2  B3  B4  C1  C2  C3
10      1   0   1   0   0   0   1   0   0
12      0   1   0   0   1   0   0   1   0
3       0   1   0   1   0   0   0   0   1
5       1   0   0   0   0   1   1   0   0

我想要一个新列，它包含所有列的组合，其中包含 1

Expected output:

Values  A1  A2  B1  B2  B3  B4  C1  C2  C3  Combination
10      1   0   1   0   0   0   1   0 …

我有一个如下所示的数据框

f = pd.DataFrame({'person_id': [101,101,101,201,201,201,203],
                  'test_id':[123,123,124,321,321,321,456],
                 'los_24':[0.3,0.7,0.6,1.01,2,1,2],
                 'los_48':[1,0.2,0.4,0.7,11,2,3],
                 'in_24':[21,24,0.3,2.3,0.8,23,1.001],
                 'in_48':[11.3,202.0,0.2,0.3,41.0,47,2],
                 'test':['A','B','C','D','E','F','G']})

我想更换 all values less than 1 with value 1 under columns like los_24,los_48,in_24,in_48

我尝试了以下

f['los_24'] = np.where((f.los_24 < 1.0),1,f.los_24)
f['los_48'] = np.where((f.los_48 < 1.0),1,f.los_48)
f['in_24'] = np.where((f.in_24 < 1.0),1,f.in_24)
f['in_48'] = np.where((f.in_48 < 1.0),1,f.in_48)

但是您可以看到我使用不同的列名多次编写同一行代码。

在实际数据中，我有 10 多列来替换值。那么，还有其他有效而优雅的方式来写这个吗？

我希望我的输出如下所示

我有一个列表（或某种类型的数组），其中几乎所有值都在 0 到 1 之间，但我偶尔会有稍微负数或大于 1 的值。

list_values = [-0.01, 0, 0.5, 0.9, 1.0, 1.01]

我想用 0 替换负数，用 1 替换大于 1 的值。

只有 1 个条件，我会这样使用np.where：

arr_values = np.where(pd.Series(list_values) < 0, 0, pd.Series(list_values))

要处理多个条件，我可以定义一个函数，然后使用 lambda 函数应用它：

def change_values(value):
    if value < 0:
        return 0
    elif value > 1:
        return 1
    else:
        return value

series_values = pd.Series(list_values).apply(lambda x: change_values(value=x))

有没有更快的方法来实现这一点？

我在 Julia 中进行了一些计算，并注意到它的运行速度明显比 numpy慢（大约25倍！）。

然后我意识到 Julia 只在我的 PC 上使用了总共96 个CPU 线程（48 个物理内核）中的8 个线程，而 numpy 似乎在使用超过70 个线程时没有问题。

using Statistics
using LinearAlgebra

function calc(A::Array{Float32,2}, B::Array{Float32,2})
    ?_A = mean(A, dims=2)
    ?_B = mean(B, dims=2)
    ?_A = cov(A, dims=2)
    ?_B = cov(B, dims=2)

    ssdiff = sum((?_A - ?_B).^2)
    covmean = …