27
4
虽然问题的第一部分(在标题中)之前已经回答过几次(即 Why is NaN not equal to NaN? )，但我不明白为什么第二部分会以它的方式工作(受此启发问题 How to Check list containing NaN )？
即:
Trung tâm cá nhân
Điều phát hành
từ bỏ>> nan == nan
SAI
>> nan in [nan]
ĐÚNG VẬY
考虑到@DSM 的答案的问题的解释性附录。那么，为什么 float("nan") 的行为与 nan 不同？它不应该再次评估为简单的 nan 吗？为什么解释器会这样？
>> x = float("nan")
>> y = nan
>> x
nan
>> y
nan
>> x is nan, x is float("nan"), y is nan
(False, False, True)
基本上，它在第一种情况下引用相同的通用 nan，但在第二种情况下创建单独的对象:
>> nans = [nan for i in range(2)]
>> map(id, nans)
[190459300, 190459300]
>> nans = [float("nan") for i in range(2)]
>> map(id, nans)
[190459300, 190459301]
câu trả lời hay nhất
nan 不等于 nan Đúng nan 定义的一部分，所以这部分很简单。
Đối với nan in [nan] 为 True，这是因为在列表中包含相等性之前测试了身份。您正在比较相同的两个对象。
如果你用两个 khác biệt nan 尝试同样的事情，你会得到 False:
>>> nans = [float("nan") for i in range(2)]
>>> map(id, nans)
[190459300, 190459284]
>>> nans
[nan, nan]
>>> nans[0] is nans[1]
SAI
>>> nans[0] in nans
ĐÚNG VẬY
>>> nans[0] in nans[1:]
SAI
您的附录与 nan 没有太大关系，这就是 Python 的工作原理。一旦您了解 float("nan") 没有义务返回一些 nan 单例，并且 y = x 不会复制 x 而是将名称 Và 绑定(bind)到由 x 命名的对象，没有什么可获取的。
关于python - 为什么在 numpy `nan == nan` 中为 False 而 [nan] 中的 nan 为 True？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/20320022/
27
4
0
Là đầu ra của tập lệnh, tôi có một mảng bị che khuất và một mảng bị che khuất tiêu chuẩn. Làm cách nào tôi có thể dễ dàng kiểm tra xem mảng đó có bị che hay không (có dữ liệu, thuộc tính mặt nạ) trong khi chạy tập lệnh? Câu trả lời hay nhất là bạn có thể vượt qua isin
Câu hỏi của tôi giả sử tôi có a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array( [ 7,8]), np.arra
Numpy có triển khai tích hợp sẵn cho phép lũy thừa mô-đun ma trận không? (Như user2357112 đã chỉ ra, tôi thực sự đang tìm cách giảm mô-đun theo phần tử) Một cách để lũy thừa theo mô-đun các số thông thường là sử dụng lũy thừa bình phương ( https://en
Tôi đã triển khai tính năng giảm độ dốc này trong Numpy: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
Tôi có một dự án chạy trên CentOS7 bằng Numpy. Vấn đề là việc cài đặt phần phụ thuộc này mất rất nhiều thời gian. Vì vậy, tôi đã thử yum install pip cài đặt thư viện gọn gàng trước khi cài đặt nó. Vì vậy, tôi chạy:
Xử lý dữ liệu tôi muốn xoay. Xin lưu ý rằng tôi bị giới hạn ở mức khó chịu và không thể sử dụng gấu trúc. Dữ liệu gốc như sau: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) Trong các hướng dẫn phân tích dữ liệu và học máy khác nhau, tôi đã thấy tập hợp hạt giống này với các số khác nhau. Việc chọn một số hạt giống cụ thể có thực sự tạo ra sự khác biệt không? Hoặc bất kỳ số nào sẽ hoạt động? Mục tiêu của việc lựa chọn số lượng hạt giống là khả năng tái sản xuất của cùng một thí nghiệm.
Tôi cần đọc một phần của mảng lớn được lưu trữ trong tệp ánh xạ bộ nhớ, xử lý dữ liệu và lặp lại cho phần khác của mảng. Toàn bộ mảng gọn gàng chiếm khoảng 50 GB và máy của tôi có RAM 8 GB. Ban đầu tôi sử dụng numpy.m
Xử lý dữ liệu tôi muốn xoay. Xin lưu ý rằng tôi bị giới hạn ở mức khó chịu và không thể sử dụng gấu trúc. Dữ liệu gốc như sau: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
Có vẻ như mọi điều mà numpy.empty() có thể làm đều có thể được thực hiện dễ dàng với numpy.ndarray(), ví dụ: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
Tôi có nhiều dạng khác nhau trong một mảng lớn và tôi muốn tính khoảng cách Euclide từ cạnh này sang cạnh khác bằng cách sử dụng numpy và scipy. Lưu ý: Tôi đã tìm kiếm và câu hỏi này khác với các câu hỏi trước đó trong ngăn xếp vì tôi muốn lấy khối thẻ trong mảng
Tôi có một mảng các đối tượng có kích thước nhỏ gọn (2x3). Chúng tôi gọi nó là M1. Có 6 mảng nhiều mảng trong M1. Hình dạng của các mảng trong một hàng nhất định của M1 giống nhau, nhưng không giống hình dạng của các mảng trong bất kỳ hàng nào khác của M1. Nghĩa là, M1 = [ [
Làm cách nào tôi có thể viết tích số chấm sau đây bằng ký hiệu Einstein? nhập numpy dưới dạng np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
Giả sử tôi có np.array của a = [0, 1, 1, 0, 0, 1] và b = [1, 1, 0, 0, 0, 1] và tôi muốn một ma trận c mới sao cho nếu a[ tôi ] = 0 và b[i] = 0
Tôi có một mảng hình dạng nhiều mảng (32,5). Mỗi phần tử của lô chứa một mảng có nhiều mảng batch_elem = [s,_,_,_,_] trong đó s = [img,val1,val
Hãy thử huấn luyện mạng nơ-ron một lớp cho bài toán phân loại nhiều nhãn dựa trên văn bản. model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
Đầu tiên là một ví dụ đơn giản import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
Tôi đang cố gắng tính trung bình một mảng có nhiều mảng 2D. Vì vậy, tôi đã sử dụng numpy.mean nhưng kết quả là mảng trống. nhập numpy dưới dạng np ws1 = np.array(ws1) ws1_I8 = np.ar
nhập numpy dưới dạng np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2] ]) x[y] Đầu ra dự kiến: ar
Tôi có hai mảng A (4000,4000) trong đó chỉ có đường chéo chứa đầy dữ liệu và B (4000,5). Có cách nào nhanh hơn để nhân (chấm) các mảng này hơn hàm numpy.dot(a,b) không? Cho đến nay tôi đã tìm thấy
Tôi là một lập trình viên xuất sắc, rất giỏi!