在機器學習和數據科學工程的日常數據處理中，我們會遇到一些特殊的情況，需要用樣板代碼來解決這些問題。在此期間，根據社區的需求和使用，一些樣板代碼已經被轉換成核心語言或包本身提供的基本功能。本文作者將分享 5 個優雅的 Python Numpy 函數，有助于高效、簡潔的數據處理。

在 reshape 函數中使用參數-1

Numpy 允許我們根據給定的新形狀重塑矩陣，新形狀應該和原形狀兼容。有意思的是，我們可以將新形狀中的一個參數賦值為-1。這僅僅表明它是一個未知的維度，我們希望 Numpy 來算出這個未知的維度應該是多少：Numpy 將通過查看數組的長度和剩余維度來確保它滿足上述標準。讓我們來看以下例子：

維度為-1 的不同 reshape 操作圖示。

a = np.array([[1, 2, 3, 4], 
              [5, 6, 7, 8]]) 
a.shape 
(2, 4) 

假設我們給定行參數為 1，列參數為-1，那么 Numpy 將計算出 reshape 后的列數為 8。

a.reshape(1,-1) 
array([[1, 2, 3, 4, 5, 6, 7, 8]]) 

假設我們給定行參數為-1，列參數為 1，那么 Numpy 將計算出 reshape 后的行數為 8。

a.reshape(-1,1) 
array([[1], 
       [2], 
       [3], 
       [4], 
       [5], 
       [6], 
       [7], 
       [8]]) 

下面的代碼也是一樣的道理。

a.reshape(-1,4) 
array([[1, 2, 3, 4], 
       [5, 6, 7, 8]])a.reshape(-1,2) 
array([[1, 2], 
       [3, 4], 
       [5, 6], 
       [7, 8]])a.reshape(2,-1) 
array([[1, 2, 3, 4], 
       [5, 6, 7, 8]])a.reshape(4,-1) 
array([[1, 2], 
       [3, 4], 
       [5, 6], 
       [7, 8]]) 

這也適用于任何更高維度張量的 reshape，但是只有一個維度的參數能賦值為-1。

a.reshape(2,2,-1) 
array([[[1, 2], 
        [3, 4]], 
 
       [[5, 6], 
        [7, 8]]])a.reshape(2,-1,1) 
array([[[1], 
        [2], 
        [3], 
        [4]], 
 
       [[5], 
        [6], 
        [7], 
        [8]]]) 

如果我們嘗試 reshape 不兼容的形狀或者是給定的未知維度參數多于 1 個，那么將會報錯。

a.reshape(-1,-1) 
ValueError: can only specify one unknown dimensiona.reshape(3,-1) 
ValueError: cannot reshape array of size 8 into shape (3,newaxis) 

總而言之，當試圖對一個張量進行 reshape 操作時，新的形狀必須包含與舊的形狀相同數量的元素，這意味著兩個形狀的維度乘積必須相等。當使用 -1 參數時，與-1 相對應的維數將是原始數組的維數除以新形狀中已給出維數的乘積，以便維持相同數量的元素。

Argpartition：在數組中找到最大的 N 個元素。

Numpy 的 argpartion 函數可以高效地找到 N 個最大值的索引并返回 N 個值。在給出索引后，我們可以根據需要進行值排序。

array = np.array([10, 7, 4, 3, 2, 2, 5, 9, 0, 4, 6, 0])index = np.argpartition*(array, -5)[-5:] 
index 
array([ 6,  1, 10,  7,  0], dtype=int64)np.sort(array[index]) 
array([ 5,  6,  7,  9, 10]) 

Clip：如何使數組中的值保持在一定區間內

在很多數據處理和算法中(比如強化學習中的 PPO)，我們需要使得所有的值保持在一個上下限區間內。Numpy 內置的 Clip 函數可以解決這個問題。Numpy clip () 函數用于對數組中的值進行限制。給定一個區間范圍，區間范圍外的值將被截斷到區間的邊界上。例如，如果指定的區間是 [-1,1]，小于-1 的值將變為-1，而大于 1 的值將變為 1。

Clip 示例：限制數組中的最小值為 2，最大值為 6。

#Example-1 
array = np.array([10, 7, 4, 3, 2, 2, 5, 9, 0, 4, 6, 0]) 
print (np.clip(array,2,6))[6 6 4 3 2 2 5 6 2 4 6 2]#Example-2 
array = np.array([10, -1, 4, -3, 2, 2, 5, 9, 0, 4, 6, 0]) 
print (np.clip(array,2,5))[5 2 4 2 2 2 5 5 2 4 5 2] 

Extract：從數組中提取符合條件的元素

我們可以使用 Numpy extract () 函數從數組中提取符合條件的特定元素。

arr = np.arange(10) 
arrarray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])# Define the codition, here we take MOD 3 if zero 
condition = np.mod(arr, 3)==0 
conditionarray([ True, False, False,  True, False, False,  True, False, False,True])np.extract(condition, arr) 
array([0, 3, 6, 9]) 

同樣地，如果有需要，我們可以用 AND 和 OR 組合的直接條件，如下所示：

np.extract(((arr > 2) & (arr < 8)), arr)array([3, 4, 5, 6, 7]) 

setdiff1d：如何找到僅在 A 數組中有而 B 數組沒有的元素

返回數組中不在另一個數組中的獨有元素。這等價于兩個數組元素集合的差集。

a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9]) 
b = np.array([3,4,7,6,7,8,11,12,14]) 
c = np.setdiff1d(a,b) 
carray([1, 2, 5, 9]) 

小結

以上 5 個 Numpy 函數并不經常被社區使用，但是它們非常簡潔和優雅。在我看來，我們應該盡可能在出現類似情況時使用這些函數，不僅因為代碼量更少，更因為它們是解決復雜問題的絕妙方法。

原文鏈接：https://towardsdatascience.com/5-smart-python-numpy-functions-dfd1072d2cb4

【本文是51CTO專欄機構“機器之心”的原創譯文，微信公眾號“機器之心( id: almosthuman2014)”】 

戳這里，看該作者更多好文