29
4
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 một mảng trống.
Trung tâm cá nhân
Điều phát hành
từ bỏnhập numpy dưới dạng np
ws1 = np.array(ws1)
ws1_I8 = np.array(ws1_I8)
ws1_I10 = np.array(ws1_I10)
WSAV = np.mean([ws1,ws1_I8,ws1_I10])
in WSAV
Tôi đã sử dụng cả hai np.mean Và np.average Nhưng kết quả giống như mảng trống.ws1, ws1_I8, ws1_I10 Các hình dạng đều (18, 75) tôi muốn có (18, 75) Mảng hình dạng kết quả.
Bất kỳ ý tưởng hoặc trợ giúp sẽ được đánh giá rất cao.
câu trả lời hay nhất
nếu như ws1,ws1_I8 Và ws1_I10 Hình dạng của tất cả đều là (18, 75) thì np.mean([ws1, ws1_I8, ws1_I10]) Nên trả về giá trị trung bình của tất cả các giá trị trong tất cả các mảng. (Tôi không chắc "kết quả giống như một mảng trống" nghĩa là gì.)np.mean sẽ [ws1, ws1_I8, ws1_I10] Chuyển đổi thành mảng hình dạng ba chiều (3, 18, 75). làm np.mean Chỉ tính trung bình dọc theo trục đầu tiên, sử dụng tham số trục=0:
WSAV = np.mean([ws1, ws1_I8, ws1_I10], axis=0)
Ngoài ra, bạn có thể chỉ cần viết:
WSAV = (ws1 + ws1_I8 + ws1_I10) / 3.0
Về python - tính trung bình một numpy.array hai chiều bằng cách sử dụng numpy.mean hoặc numpy.average, chúng tôi đã tìm thấy một câu hỏi tương tự trên Stack Overflow: https://stackoverflow.com/questions/31622102/
29
4
0
Hướng dẫn giới thiệu sử dụng trình tối ưu hóa giảm độ dốc tích hợp rất có ý nghĩa. Tuy nhiên, k-mean có thể được áp dụng vào nhiều mục đích hơn là chỉ giảm độ dốc. Có vẻ như tôi sẽ phải viết trình tối ưu hóa của riêng mình, nhưng với các nguyên hàm TensorFlow, tôi không chắc chắn cách thực hiện việc này. Tôi nên áp dụng cách tiếp cận nào? câu trả lời hay nhất
Tôi muốn biết sự khác biệt giữa thuật toán K-Mean và K-Means++. Nếu có ai biết luồng thuật toán K-Means++, bạn có thể đưa ra ví dụ không? Mặc dù tôi hiểu thuật toán K-Mean nhưng đã tìm ra cách triển khai K-Means++
Tôi có các khung dữ liệu khác nhau với các giá trị được tính toán trung bình. Thông thường, tôi nghĩ chúng nên giống nhau. Hoặc có sự khác biệt nào không: daily1 = daily_above_zero['2011-2'].mean() daily1 Out[181]: P_S
Tôi có dữ liệu về số chuyến dã ngoại mà mọi người tham gia mỗi tuần. Tôi quan tâm đến mối quan hệ giữa hai biến như là một hàm của quãng đường di chuyển. (Tần số dự kiến sẽ giảm theo khoảng cách, về cơ bản là mối tương quan nghịch.) Cor.test ủng hộ giả thuyết này: -0,08993444, p
Tôi hiểu các bước thuật toán k-means. Nhưng tôi không chắc liệu thuật toán có luôn hội tụ hay không? Hoặc các quan sát có thể luôn chuyển từ trọng tâm này sang trọng tâm khác không? Câu trả lời hay nhất Thuật toán luôn hội tụ (theo định nghĩa) nhưng không nhất thiết phải tối ưu toàn cục Thuật toán có thể chuyển từ trọng tâm sang khối lượng.
(Đã thêm ví dụ có thể tái tạo.) Tôi hơi bối rối về hàm rnorm. Tôi đang mong đợi Mean(rnorm(100,mean=0,sd=1)) là 0; và sd(rnorm(100,mean=0,sd=1)) là 1. nhưng được đưa ra
Tôi muốn tính trung bình. Đây là mã với dữ liệu mẫu: # dữ liệu mẫu Nr <- c(1, 2, 3, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17,
Tôi có khung dữ liệu như thế này: Id FMR 7 1 286 907 12 1 286 907 17 1 186 1271 21 1 296 905 30 1
Nếu chúng ta áp dụng phương pháp K-means và K-mean tuần tự cho cùng một tập dữ liệu với cùng cài đặt ban đầu, liệu chúng ta có nhận được kết quả tương tự không? Giải thích lý do của bạn. Cá nhân tôi nghĩ câu trả lời là không. Kết quả thu được bằng K-means tuần tự phụ thuộc vào cách trình bày các điểm dữ liệu.
Tôi muốn sử dụng ngăn xếp MEAN JavaScript, nhưng tôi nhận thấy rằng có hai ngăn xếp khác nhau với các trang web và phương pháp cài đặt riêng: Mean.js và Mean.io. Vì vậy, tôi bắt đầu tự hỏi mình câu hỏi: "Tôi nên sử dụng cái nào?". Vì vậy để trả lời điều này
Dường như có nhiều cách để cài đặt tất cả các mô-đun của Mean Stack (mean.io). Nhưng cách tốt nhất để làm điều này trong c9.io là gì? Tôi đã cố gắng rất nhiều thứ, nhưng dường như tôi không thể có được tất cả. c9.io có một ứng dụng chuyên dụng
Trong quá trình phát triển, tôi muốn tải các tệp .js thô (chưa được tổng hợp). Tài liệu của Mean.io cho biết: Tất cả javascript trong phạm vi công khai sẽ được tổng hợp tự động
Tôi đang cố gắng thêm vật liệu góc vào ứng dụng Mean.io. Trong gói tùy chỉnh của mình, tôi sử dụng bower để cài đặt vật liệu góc và bây giờ tôi có.../public/asset
Tôi chỉ chạy ba dòng sau: df = pd.read_hdf('data.h5') print(df.mean()) print(df['derived_3'].mean()) Bản in đầu tiên liệt kê từng dòng
Thuật toán k-means++ góp phần giải quyết hai điểm sau của thuật toán k-means gốc: Thuật toán k-means gốc có thời gian chạy trong trường hợp xấu nhất đối với các siêu đa thức có kích thước đầu vào, trong khi k-means++ tuyên bố là O(log k) . Và
Sự khác biệt giữa hai lĩnh vực này là gì? : Thời gian mỗi yêu cầu (trung bình) Thời gian mỗi yêu cầu (trung bình, trên tất cả các yêu cầu đồng thời) Mỗi yêu cầu được tính toán như thế nào? Đầu ra mẫu: Thời gian mỗi yêu cầu: 3953.446 [ms
đóng cửa. Câu hỏi này không tuân thủ các nguyên tắc của Stack Overflow. Hiện tại nó không chấp nhận câu trả lời. Bạn muốn cải thiện câu hỏi này? Đã cập nhật câu hỏi theo chủ đề cho Stack Overflow. Đóng cửa 7 năm trước Cải thiện câu hỏi này
Tôi muốn xem liệu tôi có thể so sánh hiệu suất của cả hai dựa trên chức năng mục tiêu mà chúng xử lý không? Nhân tiện, thuật toán phân cụm Fuzzy-C-Means (FCM) còn được gọi là Soft K-Means. Hàm mục tiêu thực sự giống nhau, sự khác biệt duy nhất là
Mặc dù tôi đã thấy rất nhiều câu hỏi liên quan đến vấn đề này nhưng tôi thực sự không nhận được câu trả lời, có lẽ vì tôi mới sử dụng cụm nltk. Tôi thực sự cần một lời giải thích cơ bản cho những người mới làm quen với phân cụm, cụ thể là về biểu diễn vectơ của phân cụm NLTK K-means và cách sử dụng nó. tôi có một cái
Tôi đang học Mean.io từ video hướng dẫn này, video này hiển thị một gói ví dụ (được tạo bởi gói mymodule. Nó cũng được mô tả trong tài liệu trong phần "Gói"). Tôi muốn giúp đỡ để hiểu những điều đã cho
Tôi là một lập trình viên xuất sắc, rất giỏi!