【Numpy】一文向您详细介绍 np.round()

【Numpy】一文向您详细介绍 np.round()
 
下滑即可查看博客内容
在这里插入图片描述

🌈 欢迎莅临我的个人主页 👈这里是我静心耕耘深度学习领域、真诚分享知识与智慧的小天地!🎇

🎓 博主简介985高校的普通本硕,曾有幸发表过人工智能领域的 中科院顶刊一作论文,熟练掌握PyTorch框架

🔧 技术专长: 在CVNLP多模态等领域有丰富的项目实战经验。已累计提供近千次定制化产品服务,助力用户少走弯路、提高效率,近一年好评率100%

📝 博客风采: 积极分享关于深度学习、PyTorch、Python相关的实用内容。已发表原创文章500余篇,代码分享次数逾六万次

💡 服务项目:包括但不限于科研辅导知识付费咨询以及为用户需求提供定制化解决方案

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

🌵文章目录🌵

  • 🔄 一、引言
  • 🔍 二、np.round() 的基础用法
  • 🚀 三、np.round() 的进阶用法
  • 🔄 四、np.round() 在数据分析中的应用
  • 💡 五、从 np.round() 看 Numpy 的设计哲学
  • 🌱 六、其他类似的Numpy函数
  • 🚀 七、总结与展望

下滑即可查看博客内容

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

  

🔄 一、引言

  在数据处理的世界里,我们经常需要对数值进行四舍五入操作,以便更好地进行数据分析或可视化。Numpy库作为Python中最为重要的科学计算库之一,为我们提供了np.round()函数,该函数可以方便地对数组中的元素进行四舍五入操作。本文将通过详细的介绍和丰富的代码示例,带您深入了解np.round()函数的基础用法、进阶技巧以及在实际数据分析中的应用。

🔍 二、np.round() 的基础用法

  np.round()函数是Numpy库中用于对数组进行四舍五入操作的函数。它接受一个数组作为输入,并返回一个包含四舍五入后结果的数组。下面是一个简单的示例:

import numpy as np# 创建一个包含浮点数的一维数组
arr = np.array([1.23, 2.45, 3.67, 4.89, 5.1])# 使用np.round()函数对数组进行四舍五入
rounded_arr = np.round(arr)# 打印原始数组和四舍五入后的数组
print("原始数组:", arr)
print("四舍五入后的数组:", rounded_arr)

输出:

原始数组: [1.23 2.45 3.67 4.89 5.1 ]
四舍五入后的数组: [1. 2. 4. 5. 5.]

在上面的示例中,我们创建了一个包含浮点数的一维数组arr,然后使用np.round()函数对其进行四舍五入操作。可以看到,np.round()函数默认将数组中的元素四舍五入到最接近的整数。

🚀 三、np.round() 的进阶用法

  除了默认的四舍五入到最接近的整数外,np.round()函数还接受一个可选的decimals参数,用于指定要保留的小数位数。下面是一个示例:

# 创建一个包含浮点数的一维数组
arr = np.array([1.2345, 2.5678, 3.9876, 4.1234, 5.6789])# 使用np.round()函数对数组进行四舍五入,并保留两位小数
rounded_arr_2_decimals = np.round(arr, decimals=2)# 打印原始数组和保留两位小数后的数组
print("原始数组:", arr)
print("保留两位小数后的数组:", rounded_arr_2_decimals)

输出:

原始数组: [1.2345 2.5678 3.9876 4.1234 5.6789]
保留两位小数后的数组: [1.23 2.57 4.   4.12 5.68]

在上面的示例中,我们通过设置decimals=2,将数组中的元素四舍五入到保留两位小数。

此外,np.round()函数还可以对多维数组进行操作。下面是一个处理二维数组的示例:

# 创建一个二维数组
arr_2d = np.array([[1.123, 2.456, 3.789], [4.012, 5.345, 6.789]])# 使用np.round()函数对二维数组进行四舍五入,并保留一位小数
rounded_arr_2d_1_decimal = np.round(arr_2d, decimals=1)# 打印原始二维数组和保留一位小数后的二维数组
print("原始二维数组:")
print(arr_2d)
print("保留一位小数后的二维数组:")
print(rounded_arr_2d_1_decimal)

输出:

原始二维数组:
[[1.123 2.456 3.789][4.012 5.345 6.789]]
保留一位小数后的二维数组:
[[1.1 2.5 3.8][4.  5.3 6.8]]

🔄 四、np.round() 在数据分析中的应用

  在数据分析中,np.round()函数的应用非常广泛。例如,在处理价格数据时,我们经常需要将价格四舍五入到特定的位数,以便进行更准确的计算或展示。下面是一个在数据分析中使用np.round()函数的示例:

import numpy as np# 假设我们有一个包含商品价格的一维数组
prices = np.array([19.995, 24.567, 35.123, 48.987, 67.345])# 商家规定价格需要四舍五入到小数点后两位
rounded_prices = np.round(prices, decimals=2)# 打印原始价格和四舍五入后的价格
print("原始价格:", prices)
print("四舍五入后的价格:", rounded_prices)# 假设我们要计算这些商品的总价
total_price_original = prices.sum()
total_price_rounded = rounded_prices.sum()# 打印原始总价和四舍五入后的总价
print("原始总价:", total_price_original)
print("四舍五入后的总价:", total_price_rounded)

输出:

原始价格: [19.995 24.567 35.123 48.987 67.345]
四舍五入后的价格: [20.  24.57 35.12 48.99 67.35]
原始总价: 195.917
四舍五入后的总价: 195.93

  在上面的示例中,我们模拟了一个包含商品价格的一维数组,并使用np.round()函数将价格四舍五入到小数点后两位。然后,我们计算了原始价格的总价和四舍五入后价格的总价,以展示四舍五入操作对总价的影响。

💡 五、从 np.round() 看 Numpy 的设计哲学

  np.round()函数作为Numpy库中的一个函数,体现了Numpy的设计哲学。首先,Numpy提供了大量用于科学计算和数据分析的函数,这些函数功能强大且易于使用。其次,Numpy的函数通常都支持对数组进行操作,这使得在处理大规模数据时能够显著提高效率。最后,Numpy的函数通常都提供了丰富的参数选项,以满足不同用户的需求。

  在np.round()函数中,我们可以看到Numpy的这些设计哲学得到了很好的体现。首先,np.round()函数功能强大,能够方便地对数组中的元素进行四舍五入操作。其次,np.round()函数支持对多维数组进行操作,这使得在处理复杂数据时更加灵活。最后,np.round()函数提供了decimals参数选项,允许用户指定要保留的小数位数。

🌱 六、其他类似的Numpy函数

  除了np.round()函数外,Numpy库中还有许多类似的函数用于处理数组中的数值。下面列举几个常用的函数:

  1. np.floor():向下取整函数,返回不大于输入值的最大整数。
import numpy as nparr = np.array([1.23, 2.45, 3.67, 4.89, 5.1])
floored_arr = np.floor(arr)
print("向下取整后的数组:", floored_arr)
  1. np.ceil():向上取整函数,返回不小于输入值的最小整数。
import numpy as nparr = np.array([1.23, 2.45, 3.67, 4.89, 5.1])
ceiled_arr = np.ceil(arr)
print("向上取整后的数组:", ceiled_arr)
  1. np.trunc():截断函数,返回输入值的整数部分,忽略小数部分。
import numpy as nparr = np.array([1.23, 2.45, 3.67, 4.89, 5.1])
truncated_arr = np.trunc(arr)
print("截断后的数组:", truncated_arr)

  这些函数与np.round()函数类似,都是用于处理数组中的数值的。它们各有特点,可以根据实际需求选择使用。

🚀 七、总结与展望

  通过本文的介绍,我们深入了解了np.round()函数的基础用法、进阶技巧以及在实际数据分析中的应用。同时,我们还从np.round()函数出发,探讨了Numpy库的设计哲学和其他类似的函数。

  Numpy作为Python中最重要的科学计算库之一,为我们提供了丰富的数学函数和工具,可以极大地提高数据处理和科学计算的效率。np.round()函数作为Numpy库中的一个重要函数,不仅功能强大,而且易于使用,是我们在进行数据分析时不可或缺的工具之一。

  在未来的学习和工作中,我们将继续深入探索Numpy库的其他函数和工具,以更好地应对各种数据处理和科学计算任务。同时,我们也将关注Numpy库的不断更新和发展,学习最新的技术和方法,以不断提升自己的数据处理能力。

  最后,感谢Numpy库为我们提供了如此强大的工具,让我们在数据分析和科学计算的道路上越走越远。如果你对Numpy库或np.round()函数有任何疑问或建议,欢迎在评论区留言,我们将尽快回复并与你交流。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/351087.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【大数据】计算引擎:Spark核心概念

目录 前言 1.什么是Spark 2.核心概念 2.1.Spark如何拉高计算性能 2.2.RDD 2.3.Stage 3.运行流程 前言 本文是作者大数据系列中的一文,专栏地址: https://blog.csdn.net/joker_zjn/category_12631789.html?spm1001.2014.3001.5482 该系列会成体…

【SpringCloud学习笔记】RabbitMQ(上)

1. RabbitMQ简介 官网地址:https://www.rabbitmq.com/ 2. 安装方式 安装前置准备: 此处基于Linux平台 Docker进行安装,前置准备如下: Linux云服务器 / 虚拟机Docker环境 安装命令: docker run \-e RABBITMQ_DEFAU…

TCP与UDP案例

udp不会做拆分整合什么的 多大就是多大

【日记】第一次养植物,没什么经验……(781 字)

正文 前两天梦见灵送的几盆植物全都死掉了。梦里好伤心。醒来与她说这件事,她宽慰我说,梦都是反着的,肯定能活得很好的。于是忽然记起昨天给植物换水时,文竹的根居然从花盆底部伸吊了出来,以前都没有这种情况来着&…

探索智慧校园,引领数字化教育浪潮

在21世纪的教育版图上,智慧校园进一步发展。这是一场深度融合信息技术与教育实践的深刻转型,它不仅仅是在校园里简单叠加智能设备,而是一种从教育理念到实践模式全方位的革新。智慧校园如同一座桥梁,连接着过去与未来,…

【OrangePiKunPengPro】 linux下编译、安装Boa服务器

OrangePiKunPengPro | linux下编译、安装Boa服务器 时间:2024年6月7日21:41:01 1.参考 1.boa- CSDN搜索 2.Boa服务器 | Ubuntu下编译、安装Boa_ubuntu安装boa-CSDN博客 3.i.MX6ULL—ElfBoard Elf1板卡 移植boa服务器的方法 (qq.com) 2.实践 2-1下载代码 [fly752fa…

算法设计与分析 实验1 算法性能分析

目录 一、实验目的 二、实验概述 三、实验内容 四、问题描述 1.实验基本要求 2.实验亮点 3.实验说明 五、算法原理和实现 问题1-4算法 1. 选择排序 算法实验原理 核心伪代码 算法性能分析 数据测试 选择排序算法优化 2. 冒泡排序 算法实验原理 核心伪代码 算…

【Pycharm】设置双击打开文件

概要 习惯真可怕。很多小伙伴用习惯了VsCode开发,或者其他一些开发工具,然后某些开发工具是单击目录文件就能打开预览的,而换到pycharm后,发现目录是双击才能打开预览,那么这个用起来就特别不习惯。 解决办法 只需一…

摄影师在人工智能竞赛中与机器较量并获胜

摄影师在人工智能竞赛中与机器较量并获胜 自从生成式人工智能出现以来,由来已久的人机大战显然呈现出一边倒的态势。但是有一位摄影师,一心想证明用人眼拍摄的照片是有道理的,他向算法驱动的竞争对手发起了挑战,并取得了胜利。 迈…

大疆Pocket3手持记录仪格式化恢复方法

大疆Pocket系列是手持类产品,此类产品处理过不少像Pocket、Pocket2、Pocket3基本上涉及Pocket全系列,今天来看一个Pocket3误格式化之后的恢复方法。 故障存储: 120G存储卡 /文件系统:exFAT 故障现象: 在备份视频数据时由于操作失误导致初…

【云岚到家】-day03-1-门户等缓存方案选择

【云岚到家】-day03-1-门户-缓存方案选择 1 门户1.1 门户简介1.2 常见的技术方案1.2.1 需求1.2.2 常见门户1.2.2.1 Web门户1.2.2.2 移动应用门户1.2.2.3 总结 2 缓存技术方案2.1 需求分析2.1.1 界面原型2.2.2 缓存需求 3 SpringCache入门3.1 基础概念3.1.1 Redis客户端3.1.2 Sp…

【linux】Linux分析cpu问题

CPU使用率高怎么分析: 首先先看哪些线程占用资源高看每个线程在干啥(类似windows系统的任务管理器) 步骤: 定位应用进程 pid jps -l # 查看进程找到线程 tid top -Hp {pid}将 tid 转换成十六进制 printf "%x\n" {…

人工智能对零售业的影响

机器人、人工智能相关领域 news/events (专栏目录) 本文目录 一、人工智能如何改变零售格局二、利用人工智能实现购物体验自动化三、利用人工智能改善库存管理四、通过人工智能解决方案增强客户服务五、利用人工智能分析消费者行为六、利用 AI 打造个性化…

[Qt的学习日常]--常用控件1

前言 作者:小蜗牛向前冲 名言:我可以接受失败,但我不能接受放弃 如果觉的博主的文章还不错的话,还请点赞,收藏,关注👀支持博主。如果发现有问题的地方欢迎❀大家在评论区指正 目录 一、什么是控…

机器真的能思考、学习和智能地行动吗?

In this post, were going to define what machine learning is and how computers think and learn. Were also going to look at some history relevant to the development of the intelligent machine. 在这篇文章中,我们将定义机器学习是什么,以及…

SolarLab - hackthebox

简介 靶机名称:SolarLab 难度:中等 靶场地址:https://app.hackthebox.com/machines/SolarLab 本地环境 靶机IP :10.10.11.16 ubuntu渗透机IP(ubuntu 22.04):10.10.16.17 windows渗透机IP(windows11&…

AMD平台,5600X+6650XT,虚拟机安装macOS 14(2024年6月)

AMD平台安装macOS 14的麻烦,要比Intel平台多的多,由于macOS从13开始,对CPU寄存器的读取进行了改变,导致AMD平台只要安装完macOS 13及以后版本,开机后就报五国语言错误,不断重启。改vmx文件,被证…

ZED双目相机环境配置

官方资料:stereolabs/zed-python-api: Python API for the ZED SDK (github.com) 1,配置ZED相机环境 1.安装CUDA 查看电脑是否安装CUDA,安装过程可参考以下博文: 如何选择匹配的CUDA版本:https://blog.csdn.net/iam…

分布式物联网平台特点

随着物联网(IoT)技术的飞速发展,我们正步入一个万物互联的新时代。在这个时代,设备、数据和服务的无缝集成是实现智能化的关键。分布式物联网平台作为这一进程的核心,正在成为构建智能世界的基石。 一、分布式物联网平…

本学期嵌入式期末考试的综合项目,我是这么出题的

时间过得真快,临近期末,又到了老师出卷的时候。作为《嵌入式开发及应用》这门课的主讲教师,今年给学生出的题目有一点点难度,最后的综合项目要求如下所示,各位学生朋友和教师同行可以评论一下难度如何,单片…