Tag: numpy

Что такое библиотеки python, которые используют конечные элементы для решения структурных двух и трехмерных кадров?

Используя Numpy / Scipy или любую другую библиотеку, я заинтересован в решении задач 2D и 3D-анализа кадра. Пока я наткнулся на sfepy . Хотя, это полностью функционирующий пакет FEM, мне было интересно, есть ли альтернативы?

Пункт номер быстрее, чем оператор

У меня есть следующий код в python, который по крайней мере для меня производит странные результаты: import numpy as np import timeit a = np.random.rand(3,2) print timeit.timeit('a[2,1] + 1', 'from __main__ import a', number=1000000) print timeit.timeit('a.item((2,1)) + 1', 'from __main__ import a', number=1000000) Это дает результат: 0.533630132675 0.103801012039 Кажется, нормально, если я только пытаюсь получить […]

numpy произвольная точность линейной алгебры

У меня есть массив numd 2d [средний / большой размер – скажем, 500×500]. Я хочу найти собственные значения элементарной его степени. Проблема в том, что некоторые из значений довольно отрицательные (-800, -1000 и т. Д.), А их экспоненты – underflow (что означает, что они настолько близки к нулю, что numpy рассматривает их как ноль). Нужно […]

Зачем вычесть значение из себя (x – x) в Python?

В функциях NumPy часто бывают начальные строки, которые проверяют типы переменных, заставляя их быть определенными типами и т. Д. Может ли кто-нибудь объяснить суть этих строк в scipy.signal.square ? Что делает вычитание значения из себя? t,w = asarray(t), asarray(duty) w = asarray(w + (tt)) t = asarray(t + (ww)) источник

Внедрение «фильтра Kurtosis» с использованием scipys generic_filter

У меня есть массив 5000*5000 numpy, на котором я хочу рассчитать Kurtosis для окон размером 25. Я попытался использовать функцию generic_filter в generic_filter найденную в ndimage.filters например: import numpy as np from scipy.stats import kurtosis from scipy.ndimage.filters import generic_filter mat = np.random.random_sample((5000, 5000)) kurtosis_filter = generic_filter(mat, kurtosis, size=25, mode='reflect') Это никогда не заканчивается, и я […]

Увеличение скорости реализации чистой сверхочной сети Numpy / Scipy

Задний план Я обучил сверточную нейронную сеть, которую хотел бы, чтобы другие могли использовать, не требуя жестких для установки библиотек, таких как Theano (которые я нашел тривиальным для установки в Linux, но очень сильно в Windows). Я написал реализацию с использованием Numpy / Scipy, которая почти достаточно быстро, но будет еще лучше, если бы это […]

Создание небольшого массива numpy из отдельных значений: быстрый и понятный метод?

Я обнаружил, что узким местом в моей программе является создание массивов numpy из списка заданных значений, чаще всего вводя четыре значения в массив 2×2. Существует очевидный, легко читаемый способ сделать это: my_array = numpy.array([[1, 3], [2.4, -1]]) который занимает 15 мы – очень очень медленно, так как я делаю это миллионы раз. Тогда есть намного […]

Классифицировать массив Python ближайшим «семенным» регионом?

У меня есть растр экологических местообитаний, который я преобразовал в двумерный массив numpy Python (example_array ниже). У меня также есть массив, содержащий «семенные» регионы с уникальными значениями (seed_array ниже), которые я хотел бы использовать для классификации областей среды обитания. Я бы хотел «вырастить» мои семенные регионы в «области моей среды обитания», чтобы местам обитания присваивался […]

как рассчитать coskew и cokurtosis

Вы можете рассчитать перекос и эксцесс с помощью методов pd.Series.skew pd.Series.kurt pd.DataFrame.skew pd.DataFrame.kurt Однако нет удобного способа подсчета coskew или cokurtosis между переменными. Или, что еще лучше, матрица coskew или cokurtosis. Рассмотрим pd.DataFrame df import pandas as pd import numpy as np np.random.seed([3,1415]) df = pd.DataFrame(np.random.rand(10, 2), columns=list('ab')) df ab 0 0.444939 0.407554 1 0.460148 […]

Логарифмический график кумулятивной функции распределения в matplotlib

У меня есть файл, содержащий зарегистрированные события. Каждая запись имеет время и латентность. Я заинтересован в построении кумулятивной функции распределения задержек. Меня больше всего интересуют задержки хвоста, поэтому я хочу, чтобы график имел логарифмическую ось y. Меня интересуют задержки в следующих процентилях: 90-е, 99-е, 99,9-е, 99,99-е и 99,999-е. Вот мой код до сих пор, который […]

Python - лучший язык программирования в мире.