Kinh Nghiệm về Hướng dẫn dùng numpy infinity python 2022
Bạn đang tìm kiếm từ khóa Hướng dẫn dùng numpy infinity python được Update vào lúc : 2022-10-25 14:00:16 . Với phương châm chia sẻ Thủ Thuật Hướng dẫn trong nội dung bài viết một cách Chi Tiết Mới Nhất. Nếu sau khi đọc Post vẫn ko hiểu thì hoàn toàn có thể lại Comments ở cuối bài để Tác giả lý giải và hướng dẫn lại nha.
Mọi người đều biết rằng trong Python, bạn hoàn toàn có thể sử dụng những phương pháp sau để biểu thị tích cực và xấu đi vô tận:
float(“inf”) # Tích cực vô tận
float(“-inf”) # Tiêu cực
sử dụnginf(infinite)Bạn sẽ nhận được nó bởi 0not-a-number(NaN)。 Nếu một số trong những vượt quá infinite, thì đó là mộtNaN（not a number）số lượng. Trong số NaN, phần exponent của nó là một biểu thức của giá trị tối đa, rõ ràng là FF (độ đúng chuẩn đơn) ) Sau đó, tiếp theo đó, Sự khác lạ giữa số lượng NaN và số lượng infinite là: significand một phần của số
lượng infinite số (<+ significand một phần của NaN không phải là 0 giá trị.
Hãy xem mã sau:
>>> inf = float(“inf”)
>>> ninf = float(“-inf”)
>>> nan = float(“nan”)
>>> inf is inf
True
>>> ninf is ninf
True
>>> nan is nan
True
>>> inf == inf
True
>>> ninf == ninf
True
>>> nan == nan
False
>>> inf is float(“inf”)
False
>>> ninf is float(“-inf”)
False
>>> nan is float(“nan”)
False
>>> inf == float(“inf”)
True
>>> ninf == float(“-inf”)
True
>>> nan == float(“nan”)
False
Nếu bạn chưa nỗ lực xác lập xem số điểm nổi liệu có phải là NaN trong Python hay là không, bạn chắc như đinh sẽ ngạc nhiên bởi đầu ra trên. Trước hết, riêng với những hoạt động và sinh hoạt giải trí sinh hoạt tích cực và xấu đi và NaN tự do is, kết quả là True, dường như không còn yếu tố gì ở đây; Nhưng nếu bạn sử dụng == Hoạt động, kết quả là rất khác nhau. Nếu bạn sử dụng float để xác lập lại một biến để so sánh
với chúng với is và ==, kết quả vẫn còn đấy bất thần. Lý do cho trường hợp này hơi phức tạp, vì vậy tôi sẽ không còn trải qua nó ở đây. Nếu bạn quan tâm, bạn hoàn toàn có thể kiểm tra thông tin liên quan.
Nếu bạn muốn phán đoán đúng chuẩn Inf và Nan, thì bạn nên sử dụng mô -đun mathmath.isinf vàmath.isnan hàm số:
>>> import math
>>> math.isinf(inf)
True
>>> math.isinf(ninf)
True
>>> math.isnan(nan)
True
>>> math.isinf(float(“inf”))
True
>>> math.isinf(float(“-inf”))
True
>>> math.isnan(float(“nan”))
True
Điều này là đúng chuẩn. Bây giờ tôi đang nói về yếu tố này, tôi sẽ tư vấn một lần nữa: Đừng nỗ lực sử dụng is và == trong Python để xác lập xem một đối tượng người dùng có dương và âm hay NaN. Bạn hoàn toàn có thể
ngoan ngoãn sử dụng mô -đun math, nếu không thì đó là để đốt cháy và đốt cháy khung hình của bạn.
Tất nhiên, có những phương pháp khác để lấy ra những phán đoán. Các cách sử dụng sau này NaN làm ví dụ, nhưng vẫn được khuyến nghị sử dụng mô -đun math để tránh nhầm lẫn.
Sử dụng đối tượng người dùng để xem nhận chính mình
>>> def isnan(num):
… return num != num
…
>>> isnan(float(“nan”))
True
Sử dụng hiệu suất cao của mô -đun numpy
>>> import numpy as np
>>>
>>> np.isnan(np.nan)
True
>>> np.isnan(float(“nan”))
True
>>> np.isnan(float(“inf”))
False
Hàm isnan của Numpy cũng hoàn toàn có thể nhìn nhận toàn bộ list:
>>> lst = [1, float(“nan”), 2, 3, np.nan, float(“-inf”), 4, np.nan]
>>> lst
[1, nan, 2, 3, nan, -inf, 4, nan]
>>> np.isnan(lst)
array([False, True, False, False, True, False, False, True], dtype=bool)
nơi
đâynp.isnan Quay lại mảng giá trị boolean, nếu vị trí tương ứng là NaN, hãy trả về True, nếu không False.
<4
Trong quy trình viết những dự án công trình bất Động sản, một số trong những hiệu suất cao chắc như đinh nên phải vượt qua những tham số, vì vậy toàn bộ chúng ta cần truyền những t
TL, DR: Không có sự khác lạ và chúng hoàn toàn có thể được sử dụng thay thế lẫn nhau.
Ngoài việc có cùng giá trị math.infvà float(‘inf’):
>>> import math
>>> import numpy as np
>>> np.inf == float(‘inf’)
True
>>> np.inf == math.inf
True
Nó cũng luôn có thể có cùng loại:
>>> import numpy as np
>>> type(np.inf)
float
>>> type(np.inf) is type(float(‘inf’))
float
Điều đó thật thú vị vì NumPy cũng luôn có thể có nhiều chủng loại dấu phẩy động
của riêng nó:
>>> np.float32(np.inf)
inf
>>> type(np.float32(np.inf))
numpy.float32
>>> np.float32(‘inf’) == np.inf # nevertheless equal
True
Vì vậy, nó có cùng giá trị và cùng kiểu math.infvà float(‘inf’)nghĩa là nó hoàn toàn có thể hoán đổi lẫn nhau.
Lý do sử dụng np.inf
Nó ít phải gõ hơn:
- np.inf (6 ký tự)
- math.inf (8 ký tự; mới trong python 3.5)
- float(‘inf’) (12 ký tự)
Điều đó nghĩa là nếu bạn đã nhập NumPy, bạn hoàn toàn có thể lưu cho mình 6 (hoặc 2) ký tự mỗi lần xuất hiện so với float(‘inf’)(hoặc math.inf).
Vì nó dễ nhớ hơn.
Ít nhất riêng với
tôi, nó dễ nhớ np.infhơn nhiều so với việc tôi cần gọi floatbằng một chuỗi.
Ngoài ra NumPy cũng định nghĩa một số trong những bí danh tương hỗ update cho vô cực:
np.Inf
np.inf
np.infty
np.Infinity
np.PINF
Nó cũng định nghĩa một bí danh cho âm vô cực:
np.NINF
Tương tự cho nan:
np.nan
np.NaN
np.NAN
Hằng số là hằng số
Điểm này nhờ vào CPython và hoàn toàn có thể hoàn toàn khác trong một triển khai Python khác.
Một phiên bản floatCPython yêu cầu 24 Byte:
>>> import sys
>>> sys.getsizeof(np.inf)
24
Nếu bạn hoàn toàn có thể sử dụng lại cùng một phiên bản, bạn có
thể tiết kiệm chi phí thật nhiều bộ nhớ so với việc tạo nhiều phiên bản mới. Tất nhiên, điểm này sẽ bị tắt tiếng nếu bạn tạo infhằng số của riêng mình nhưng nếu bạn không tạo thì:
a = [np.inf for _ in range(1000000)]
b = [float(‘inf’) for _ in range(1000000)]
bsẽ sử dụng nhiều hơn nữa 24 * 1000000 Byte (~ 23 MB) bộ nhớ a.
Truy cập một hằng số nhanh hơn việc tạo biến.
%timeit np.inf
37.9 ns ± 0.692 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
%timeit float(‘inf’)
232 ns ± 13.9 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
%timeit [np.inf for _ in range(10000)]
552 µs ± 15.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%timeit [float(‘inf’) for _ in range(10000)]
2.59 ms ± 78.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
Tất nhiên, bạn hoàn toàn có thể tạo hằng số của riêng mình để chống lại điểm đó. Nhưng tại sao phải bận tâm nếu NumPy đã làm điều này cho bạn.
31 hữu
ích 5 phản hồi chia sẻ
Tải thêm tài liệu liên quan đến nội dung bài viết Hướng dẫn dùng numpy infinity python
programming
python
Reply
5
0
Chia sẻ
Share Link Tải Hướng dẫn dùng numpy infinity python miễn phí
Bạn vừa Read tài liệu Với Một số hướng dẫn một cách rõ ràng hơn về Review Hướng dẫn dùng numpy infinity python tiên tiến và phát triển nhất và ShareLink Download Hướng dẫn dùng numpy infinity python Free.
Hỏi đáp vướng mắc về Hướng dẫn dùng numpy infinity python
Nếu sau khi đọc nội dung bài viết Hướng dẫn dùng numpy infinity python vẫn chưa hiểu thì hoàn toàn có thể lại Comments ở cuối bài để Ad lý giải và hướng dẫn lại nha
#Hướng #dẫn #dùng #numpy #infinity #python