Question

我是该领域的新手，该脚本用于将80％的数据随机获取到训练列表中，其余的20％从测试列表中获取。该脚本有效，但是我对它为什么起作用有一些疑问。如果len（data）为1000，则randn（1000）将生成具有正态分布的1000个随机数。我不明白的是： 1）我测试了自己，例如[1,2,3,4,5,6,7,8,9,10] <5我得到一个错误，因为左运算符是一个列表。但是为什么check = a <0.8合法，a应该是1000个元素的列表？

import pandas as pd
import numpy as np 
data = pd.read_csv('E:/Personal/Learning/Datasets/Book/Customer ChurnModel.txt')
len(data)
a=np.random.randn(len(data))
check=a<0.8
training=data[check]
testing=data[~check]

Answer 1

NumPy数组使比较运算符超载，以按元素而不是按容器执行操作。

换句话说，

check=a<0.8

将创建一个新的NumPy数组check，其长度与a相同，这样：

check[i] = a[i] < 0.8

Answer 2

好检查变量用作布尔对象，在代码中，该行仅是赋值。另一方面，与两个对象的比较必须是同一类型。 type（[1,2,3,4,5,6,7,8,9,10]）->'列表'对象 type（5）->'int'对象

Answer 3

与list等内置类型相反，numpy数组通过重写比较运算符来利用Python丰富的比较系统。这是为了允许与原子类型，类似numpy数组的类型等进行比较。丰富的比较运算符返回新数组（而不只是True或False）。

任何人都可以编写does custom comparisons类似于numpy数组的类。

有用的提示：如果您使用functools.total_ordering，则只需provide two methods，例如__eq__和__lt__：

import functools

@functools.total_ordering
class Mine:
    def __eq__(self, other):
        ...
    def __lt__(self, other):
        ...

当您为这两种方法提供正确的行为时，其余方法将自动进行排序。但是在实践中，要使一类按您希望的方式工作，通常会发现需要自定义其他丰富比较方法的行为：__ne__，__gt__，__le__，和__ge__。

numpy比较如何工作

3 个答案: