铁雪资源网 Design By www.gsvan.com
问题产生：今天在编写神经网络的Cluster作业时，需要根据根据数据标签用不同的颜色画出数据的分布情况，由此学习到了这种高效的方法。
传统思路：用for循环来挑选符合条件的元素，这样十分浪费时间。
代码示例：
from sklearn.datasets.samples_generator import make_blobs
import numpy as np
import matplotlib.pyplot as plt
#product 20 samples and divide them in 4 different types
X, label_true = make_blobs(n_samples=20,centers=4)
print("Data:{:}".format(X))
print("label_true:{:}".format(label_true))
#eliminate the repeated elements
labels=np.unique(label_true)
print("labels:{:}".format(labels))
#plot
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
colors = 'rgbycm'
for index,elem in enumerate(labels):
position=label_true==elem
print("position{:}:{:}".format(index,position))
plt.scatter(X[position,0],X[position,1],label="cluster %d"%elem,color=colors[index%len(colors)])
plt.show()
实验结果：
Data:[[ 6.28987299 1.19041843] [ 2.12673463 -1.90647309] [-8.56276424 1.8136798 ] [ 2.42611937 -3.81970786] [ 1.83488662 -3.10733306] [ 6.28320138 -0.24840258] [-6.74802304 1.13642657] [ 2.21681643 6.28894411] [-7.16100601 0.04482262] [ 1.66858847 3.42225284] [ 3.19972789 4.58804196] [-7.37006942 0.57068008] [ 0.52465584 -2.68794047] [ 2.71075921 3.57281778] [ 5.99343237 0.0120798 ] [ 4.28307033 4.28727222] [ 0.73714246 -2.38643522] [ 5.58384782 -0.62066592] [-8.44295576 -0.05933983] [ 5.33991984 1.24833992]] label_true:[0 2 1 2 2 0 1 3 1 3 3 1 2 3 0 3 2 0 1 0] labels:[0 1 2 3] position0:[ True False False False False True False False False False False False False False True False False True False True] position1:[False False True False False False True False True False False True False False False False False False True False] position2:[False True False True True False False False False False False False True False False False True False False False] position3:[False False False False False False False True False True True False False True False True False False False False]
结果分析：
我们可以看出黄色部分的作用，第一行 position=label_true==elem 的作用是让position在label_true==elem的位置置为True，反之为False，从而得到的position是一个True和False的集合，
而第三行 X[position,0],X[position,1] 就是选择为True的位置上的横坐标和纵坐标，打印出来。还有点懵"htmlcode">
import numpy as np a=np.empty(shape=[0,4], dtype=int) a=np.append(a,[[1,2,3,4],[2,3,4,5],[7,8,9,10]],axis=0) position=[True,False,True] print(a) print(a[position,3])
结果：
[[ 1 2 3 4] [ 2 3 4 5] [ 7 8 9 10]] [ 4 10]
结果分析：
显然这是一个3行4列的矩阵，我们用position得到的是[a[0],a[2]],然后取a[0]和a[2]的第4个元素，则为4和10.
是不是比用for快多了~~
以上这篇python实现在多维数组中挑选符合条件的全部元素就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
标签：
python,多维数组,元素
铁雪资源网 Design By www.gsvan.com
广告合作：本站广告合作请联系QQ：858582 申请时备注：广告合作（否则不回）
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com
铁雪资源网 Design By www.gsvan.com
暂无python实现在多维数组中挑选符合条件的全部元素的评论...
一口气升级7个大模型SaaS应用，百度智能云：突出一个“开箱即用” - 2024/12/24
这一波大模型产业落地浪潮里，不少企业其实处在 “干瞪眼“的状态。
一种情况是，很多大模型产品看得见却摸不着，在台上一个个遥遥领先——今天Sora技精四座，明天英伟达的机器人又赢得满堂彩，可是到了台下一问：啥时候能用上啊？答曰：遥遥无期。
另一种情况是，企业想用上大模型，却又难免瞻前顾后——既要考虑场景融合，又得兼顾安全性，还要考虑打通现有系统，再加上各种部署成本和繁琐的采购流程……最后只能拂袖：罢了，再等等吧。
这一波大模型产业落地浪潮里，不少企业其实处在 “干瞪眼“的状态。
一种情况是，很多大模型产品看得见却摸不着，在台上一个个遥遥领先——今天Sora技精四座，明天英伟达的机器人又赢得满堂彩，可是到了台下一问：啥时候能用上啊？答曰：遥遥无期。
另一种情况是，企业想用上大模型，却又难免瞻前顾后——既要考虑场景融合，又得兼顾安全性，还要考虑打通现有系统，再加上各种部署成本和繁琐的采购流程……最后只能拂袖：罢了，再等等吧。
稳了！魔兽国服回归的3条重磅消息！官宣时间再确认！
昨天有一位朋友在大神群里分享，自己亚服账号被封号之后居然弹出了国服的封号信息对话框。
这里面让他访问的是一个国服的战网网址，com.cn和后面的zh都非常明白地表明这就是国服战网。
而他在复制这个网址并且进行登录之后，确实是网易的网址，也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情，因为以前都没有出现这样的情况，现在突然提示跳转到国服战网的网址，是不是说明了简体中文客户端已经开始进行更新了呢？