Deze tutorial laat je zien hoe je de NumPy max functie gebruikt, die je in Python code ziet als np.max.

Op een hoog niveau wil ik de functie uitleggen en je laten zien hoe hij werkt. Daarom zijn er twee hoofdsecties in deze tutorial: de syntaxis van NumPy max, en voorbeelden van het gebruik van NumPy max.

Als je nog aan de slag gaat met NumPy, raad ik je aan om de hele tutorial te lezen, van begin tot eind. Als u echter snel antwoord wilt krijgen op een vraag, kunt u met een van de volgende links naar de juiste sectie gaan:

• De syntax van NumPy max
• Voorbeelden van het gebruik van NumPy max

Ok. Met dat alles in gedachten, laten we beginnen.

Laten we het eerst hebben over NumPy en de NumPy max-functie.

Een snelle introductie tot de NumPy max-functie

Het is je waarschijnlijk wel duidelijk dat de NumPy max-functie een functie is in de NumPy-module.

Maar als je een echte beginner bent, weet je misschien niet echt wat NumPy is. Dus voordat we het specifiek over de np.max-functie hebben, laten we het snel hebben over NumPy.

Wat is NumPy precies?

Numpy is een gegevensmanipulatiemodule voor Python

Om het heel eenvoudig te zeggen, NumPy is een gegevensmanipulatiepakket voor de programmeertaal Python.

Als je geïnteresseerd bent in gegevenswetenschap in Python, is NumPy erg belangrijk. Dit komt omdat veel data science-werk gewoon datamanipulatie is. Of je nu deep learning of data-analyse doet, een enorme hoeveelheid werk in data science is gewoon het opschonen van gegevens, het preppen van gegevens, en het verkennen ervan om ervoor te zorgen dat het goed is om te gebruiken.

Opnieuw, vanwege het belang van datamanipulatie, is NumPy erg belangrijk voor data science in Python.

Numpy is een toolkit voor het werken met numerieke gegevens

Specifiek echter, NumPy biedt een set tools voor het werken met numerieke gegevens.

Python heeft andere toolkits voor het werken met niet-numerieke gegevens en gegevens van gemengd type (zoals de Pandas-module). Maar als u numerieke gegevens hebt die u moet opschonen, wijzigen, opnieuw vormgeven of analyseren, is NumPy waarschijnlijk de toolkit die u nodig hebt.

Hoewel NumPy-functies kunnen werken op een verscheidenheid aan gegevensstructuren, zijn ze gebouwd om te werken op een structuur genaamd een NumPy-array. NumPy arrays zijn een speciaal soort Python objecten die numerieke gegevens bevatten. Er zijn verschillende manieren om numpy arrays te maken, waaronder de np.array functie, de np.ones functie, de np.nullen functie en de np.arange functie, samen met vele andere functies die in eerdere tutorials hier op Sharp Sight zijn behandeld.

Belangrijk is dat NumPy arrays geoptimaliseerd zijn voor numerieke berekeningen. Er zijn dus een aantal tools in NumPy voor het uitvoeren van numerieke berekeningen op NumPy-arrays, zoals het berekenen van het gemiddelde van een NumPy-array, het berekenen van de mediaan van een NumPy-array, enzovoort.

In wezen geeft NumPy je een toolkit voor het maken van arrays van numerieke gegevens, en het uitvoeren van berekeningen op die numerieke gegevens.

Een van de berekeningen die je kunt uitvoeren is het berekenen van de maximale waarde van een NumPy-array. Dat is waar de np.max functie in het spel komt.

NumPy max berekent het maximum van de waarden in een NumPy array

De numpy.max() functie berekent de maximumwaarde van de numerieke waarden in een NumPy array. Het kan ook de maximale waarde van de rijen, kolommen of andere assen berekenen. Daarover meer in het gedeelte met de voorbeelden.

Syntactisch zie je de NumPy max-functie vaak in code als np.max. Je ziet het zo geschreven als de programmeur de NumPy module heeft geïmporteerd met de alias np.

Voor de duidelijkheid moet je weten dat de np.max functie hetzelfde is als de NumPy amax functie, AKA np.amax. In wezen is np.max een alias van np.amax. Afgezien van de naam zijn ze hetzelfde.

Een voorbeeld op hoog niveau van hoe np.max werkt

Later in deze tutorial zal ik je concrete voorbeelden laten zien van hoe je de np.max functie kunt gebruiken, maar hier wil ik je een ruw idee geven van wat het doet.

Voorstel bijvoorbeeld dat u een 1-dimensionale NumPy-array hebt met vijf waarden:

We kunnen de NumPy max-functie gebruiken om de maximale waarde te berekenen:

Hoewel dit voorbeeld laat zien hoe de functie np.max() werkt op een 1-dimensionale NumPy-array, werkt hij op vergelijkbare wijze op 2-dimensionale arrays en op multidimensionale arrays. Nogmaals, ik zal u volledige voorbeelden hiervan laten zien in het gedeelte met voorbeelden van deze tutorial.

Voordat we echter naar de codevoorbeelden kijken, laten we een snelle blik werpen op de syntaxis en parameters van np.max.

De syntaxis van numpy max

De syntaxis van de np.max-functie is vrij rechttoe rechtaan, hoewel een paar van de parameters van de functie een beetje verwarrend kunnen zijn.

Hier zullen we het hebben over de syntactische structuur van de functie, en ik zal ook de belangrijke parameters uitleggen.

Een snelle opmerking

Een snelle opmerking voordat we beginnen met het bekijken van de syntaxis.

Syntactisch gezien is de juiste naam van de functie numpy.max().

Dat gezegd hebbende, zul je de functie in code vaak zien als np.max().

Waarom?

Vaak, aan het begin van een programma dat de NumPy-module gebruikt, importeren programmeurs de NumPy-functie als np. U ziet dan letterlijk een regel code in het programma die import numpy as np luidt. In feite wordt de NumPy-module dus geïmporteerd met de alias np. Dit stelt de programmeur in staat om in de code naar NumPy te verwijzen als np, wat hem in staat stelt om naar de numpy.max-functie te verwijzen als np.max.

Dit gezegd hebbende, laten we de syntaxis eens nader bekijken.

Een uitleg van de syntaxis

Op een hoog niveau is de syntaxis van np.max is vrij eenvoudig.

Er is de naam van de functie – np.max() – en binnen de functie zijn er verschillende parameters die ons in staat stellen het exacte gedrag van de functie te bepalen.

Laten we de parameters van np.max eens nader bekijken, want de parameters zijn wat u echt fijnmazige controle over de functie geeft.

De parameters van np.max

De numpy.max-functie heeft vier primaire parameters:

• a
• axis
• out
• keepdims

Laten we elk van deze parameters afzonderlijk bespreken.

a (vereist)

De a-parameter stelt u in staat om de gegevens op te geven waarop de np.max-functie zal werken. In wezen wordt hiermee de input array voor de functie gespecificeerd.

In veel gevallen zal deze input array een echte NumPy array zijn. Dat gezegd hebbende, numpy.max (en de meeste andere NumPy functies) werken op elke “array-achtige sequentie” van gegevens. Dat betekent dat het argument voor de a parameter een Python lijst, een Python tuple, of een van de vele andere Python sequenties kan zijn.

Houd in gedachten dat je iets moet meegeven aan dit argument. Het is verplicht.

axis (optioneel)

De axis parameter stelt u in staat om de as te specificeren waarop u de maximum waarden zult berekenen.

Eenvoudiger gezegd, de as parameter stelt u in staat om de rij maxima en kolom maxima te berekenen.

Ik zal in de voorbeelden hieronder meer in detail uitleggen hoe dat moet, maar laat me snel uitleggen hoe de axis-parameter werkt.

Een snelle bespreking van array-assen

Op een hoog niveau moet je begrijpen dat NumPy-arrays assen hebben.

Axen zijn als richtingen langs de NumPy-array. In een tweedimensionale matrix is as 0 de as die langs de rijen naar beneden wijst en as 1 de as die horizontaal over de kolommen wijst.

De array-parameter specificeert de as voor het berekenen van de maxima

Hoe verhoudt zich dit tot de axis-parameter?

Wanneer we de axis parameter in de numpy.max functie gebruiken, specificeren we de as waarlangs we de maxima moeten vinden.

Dit laat ons effectief de kolom maxima en rij maxima berekenen.

Ik zal u laten zien wat ik bedoel.

Bedenk dat as 0 de as is die naar beneden wijst, naar de rijen.

Wanneer we de code np.max(axis = 0) op een matrix gebruiken, vertellen we NumPy de maximale waarden in die richting te berekenen … de as 0-richting.

Door axis = 0 in te stellen, geven we in feite aan dat we de kolommaxima willen berekenen.

Ook moet u bedenken dat in een tweedimensionale matrix as 1 horizontaal wijst. Als we NumPy max gebruiken met axis = 1, geven we NumPy dus de opdracht de maxima horizontaal te berekenen, in de richting van as 1.

Dit berekent effectief de rijmaxima.

Ik zal u concrete codevoorbeelden laten zien van hoe u dit moet doen, verderop in het gedeelte met voorbeelden.

Bedenk dat de asparameter optioneel is. Als u geen as opgeeft, vindt NumPy max de maximale waarde in de hele NumPy-array.

out (optioneel)

Met de parameter out kunt u een speciale uitvoerarray opgeven waarin u de uitvoer van np.max.

Het is niet gebruikelijk om deze parameter te gebruiken (vooral niet als u een beginner bent), dus we gaan hier in deze tutorial niet op in.

out is een optionele parameter.

keepdims (optioneel)

De parameter keepdims is een beetje verwarrend, dus het kost wat moeite om hem te begrijpen.

Ultimately, de parameter keepdims houdt de afmetingen van de uitvoer hetzelfde als de afmetingen van de invoer.

Om te begrijpen waarom dit nodig kan zijn, laten we eens kijken naar hoe de numpy.max-functie typisch werkt.

Wanneer u np.max gebruikt op een typische NumPy-array, vermindert de functie het aantal dimensies. Het vat de gegevens samen.

Zo hebt u bijvoorbeeld een NumPy-array van 1 dimensie. U gebruikt NumPy max op de array.

Wanneer u np.max gebruikt op een 1-d array, zal de uitvoer een enkel getal zijn. Een scalaire waarde … niet een 1-d array.

In wezen zijn de functies zoals NumPy max (en ook numpy.median, numpy.mean, enz.) de gegevens samenvatten, en door de gegevens samen te vatten, produceren deze functies uitgangen die een kleiner aantal dimensies hebben.

Soms wil je echter dat de uitvoer hetzelfde aantal dimensies heeft. Soms is de invoer een matrix van 1 dimensie en moet de uitvoer ook een matrix van 1 dimensie zijn (zelfs als de uitvoer een enkele waarde bevat).

Dit kan met de parameter keepdims.

Zorgelijk is keepdims ingesteld op False. Dus standaard (zoals hierboven besproken), zullen de afmetingen van de uitvoer niet dezelfde zijn als de afmetingen van de invoer. Standaard zullen de afmetingen van de uitvoer kleiner zijn (omdat np.max de gegevens samenvat).

Maar als u keepdims = True instelt, zal de uitvoer dezelfde afmetingen hebben als de invoer.

Dit is een beetje abstract zonder een concreet voorbeeld, dus ik zal u later in de voorbeeldensectie een voorbeeld van dit gedrag laten zien.

En eigenlijk, nu we de parameters hebben bekeken, is dit een goede plek om te beginnen met het bekijken van de voorbeelden van NumPy max.

Voorbeelden: hoe de numpy max functie te gebruiken

In deze sectie ga ik je concrete voorbeelden laten zien van hoe je de NumPy max functie kunt gebruiken.

Ik zal je verschillende variaties laten zien van hoe je de maximale waarde van een array kunt vinden. Ik zal laten zien hoe je de maximale waarde van een 1-d matrix vindt, hoe je de maximale waarde van een 2-d matrix vindt, en hoe je met verschillende van de belangrijke parameters van numpy.max werkt.

Run deze code eerst

Voordat we aan de slag gaan, zijn er een aantal voorbereidende dingen die je moet doen om goed ingesteld te zijn.

Ten eerste moet NumPy goed op uw computer zijn geïnstalleerd.

Import numpy

Ten tweede moet NumPy in uw werkomgeving zijn geïmporteerd.

U kunt NumPy importeren met de volgende code:

import numpy as np

Merk op dat we NumPy hebben geïmporteerd als np. Dat betekent dat we in onze code naar NumPy zullen verwijzen met de alias np.

Ok, nu dat klaar is, laten we wat voorbeelden bekijken.

Bereken de max van een 1-dimensionale array

We beginnen eenvoudig.

Hier gaan we de maximumwaarde berekenen van een 1-d NumPy array.

Om dit te doen, maken we eerst een 1-dimensionale array die een aantal willekeurige gehele getallen bevat. Om deze array te maken, gebruiken we de numpy.random.randint() functie. Denk eraan dat u de functie np.random.seed() moet gebruiken zodat uw NumPy-array dezelfde gehele getallen bevat als de gehele getallen in dit voorbeeld.

np.random.seed(22)np_array_1d = np.random.randint(size = 5, low = 0, high = 99)

Deze syntaxis zal een 1-dimensionale array creëren met de naam np_array_1d.

We kunnen np_array_1d uitprinten met de functie print().

print(np_array_1d)

En dit is de uitvoer:

Visueel kunnen we de maximumwaarde identificeren, die 84 is.

Maar laten we dat met wat code doen.

Hier zullen we de maximale waarde van onze NumPy-array berekenen met behulp van de functie np.max().

np.max(np_array_1d)

Wat de volgende uitvoer oplevert:

84

Dit is een uiterst eenvoudig voorbeeld, maar het illustreert de techniek. Het is duidelijk dat wanneer de array slechts 5 items lang is, u de array visueel kunt inspecteren en de maximum waarde kunt vinden. Maar deze techniek werkt ook als u een matrix met duizenden waarden (of meer!) hebt.

Bereken het maximum van een 2-d matrix

Nog eens het maximum van een 2-d matrix berekenen.

Om dit te doen, hebben we natuurlijk een 2-d matrix nodig om mee te werken, dus maken we eerst een 2-dimensionale NumPy matrix.

Om onze 2-d matrix te maken, gaan we de np.random.choice() functie gebruiken. In essentie gaat deze functie een willekeurige steekproef trekken uit de gehele getallen tussen 0 en 8, zonder vervanging. Nadat np.random.choice() is uitgevoerd, gebruiken we de reshape() methode om de gehele getallen om te vormen tot een 2-dimensionale matrix met 3 rijen en 3 kolommen.

np.random.seed(1)np_array_2d = np.random.choice(9, 9, replace = False).reshape((3,3))

Laten we eens kijken door de array uit te printen, np_array_2d.

print(np_array_2d)

 ]

Zoals u kunt zien, is dit een 2-d array met 3 rijen en 3 kolommen. Het bevat de gehele getallen van 0 tot 8, willekeurig gerangschikt in de matrix.

Nu berekenen we de maximum waarde van de matrix:

np.max(np_array_2d)

Wat de volgende uitvoer oplevert:

8

Ook dit is een heel eenvoudig voorbeeld, maar je kunt dit gebruiken met een veel grotere 2-d matrix en het zal op dezelfde manier werken. Als je deze techniek eenmaal kent, probeer het dan met grotere matrices!

Nog iets ingewikkelder.

… in de volgende voorbeelden berekenen we de kolom- en rij-maxima.

Bereken de maximum waarde van de kolommen van een 2-d matrix

Eerst: we berekenen de maximum waarden van de kolommen van een matrix.

Om dit te doen, moeten we de parameter axis gebruiken. Specifiek moeten we axis = 0 instellen in de numpy.max functie.

Laten we snel bekijken waarom.

De asparameter specificeert welke as je wilt samenvatten

Houd in gedachten dat NumPy-arrays assen hebben, en dat de assen als richtingen langs de array zijn. In een 2-dimensionale matrix is as 0 de as die naar beneden wijst, en as 1 de as die horizontaal wijst.

We kunnen deze assen gebruiken om de richting te bepalen waarlangs we np.max.

Op die manier willen we de maximumwaarden van de kolommen berekenen. Dit komt neer op het berekenen van de gemiddelden naar beneden.

Om de kolommaxima te berekenen, moeten we de maxima in de richting van as 0 berekenen.

Bereken max met as = 0

Laat me je zien hoe.

Hier gaan we onze 2-d NumPy array opnieuw maken. Dit is dezelfde als de 2-d NumPy array die we in een vorig voorbeeld hebben gemaakt, dus als je die code al hebt uitgevoerd, hoef je hem niet opnieuw uit te voeren.

np.random.seed(1)np_array_2d = np.random.choice(9, 9, replace = False).reshape((3,3))

En we kunnen hem afdrukken:

print(np_array_2d)

 ]

Wederom is dit een 2-d array met 3 rijen en 3 kolommen. Het bevat de gehele getallen van 0 tot 8, willekeurig gerangschikt in de array.

Nu, laten we de kolom maxima berekenen door numpy.max te gebruiken met axis = 0.

# CALCULATE COLUMN MAXIMAnp.max(np_array_2d, axis = 0)

Wat de volgende output array oplevert:

array()

Laten we evalueren wat hier is gebeurd.

Door axis = 0 in te stellen, hebben we aangegeven dat we willen dat de NumPy max-functie de maximale waarden naar beneden langs as 0 berekent.

Het is vrij eenvoudig, zolang je NumPy-assen begrijpt en weet hoe ze werken in de NumPy-functies.

Bereken de rijmaxima met as = 1

Ook kunnen we de rijmaxima berekenen door de parameter axis op axis = 1 in te stellen.

Hier volgt de code om de 2-d dataset opnieuw te maken:

np.random.seed(1)np_array_2d = np.random.choice(9, 9, replace = False).reshape((3,3))

print(np_array_2d)

 ]

En laten we nu de rijmaxima berekenen:

np.max(np_array_2d, axis = 1)

Met de volgende uitvoer:

array()

Dit zou logisch moeten zijn als u de vorige voorbeelden al hebt gelezen en begrepen.

Wanneer we axis = 1 instellen, vertellen we numpy.max om de maximale waarden in de richting van as-1 te berekenen. Aangezien as 1 de as is die horizontaal langs de array loopt, berekent dit in feite de maximale waarden langs de rijen van een 2-d array:

Alweer is dit vrij eenvoudig, zolang je NumPy array-assen echt begrijpt. Als je nog steeds moeite hebt om assen te begrijpen, raad ik je aan onze tutorial over NumPy-array-assen te bekijken.

Hoe gebruik je de parameter keepdims met np.max

Laten we ten slotte eens kijken naar de parameter keepdims.

Voordat we dit doen, zal ik uitleggen waarom we deze parameter nodig hebben.

Zoals ik al eerder opmerkte, vat de NumPy max-functie gegevens samen wanneer je hem gebruikt. In feite vatten veel van de NumPy-functies die samenvattende statistieken berekenen (zoals np.mean, np.median, np.min, enz.) gegevens samen door hun aard zelf. Wanneer u een samenvattende statistiek berekent, bent u per definitie de gegevens aan het samenvatten.

Dit heeft belangrijke gevolgen met betrekking tot de dimensies van de gegevens.

Wanneer u uw gegevens samenvat met een functie als numpy.max, zal de uitvoer van de functie een verminderd aantal dimensies hebben.

Zo bereken je bijvoorbeeld de maximale waarde van een 2-dimensionale array. Als je numpy.max gebruikt op deze 2-d matrix (zonder de axis parameter), dan zal de output een enkel getal zijn, een scalar. Scalars hebben nul dimensies. Twee dimensies in, nul dimensie uit.

De NumPy max-functie vermindert effectief de dimensies tussen de invoer en de uitvoer.

Soms wil je echter geen gereduceerd aantal dimensies. Er kunnen situaties zijn waarin u wilt dat de uitvoer technisch dezelfde afmetingen heeft als de invoer (zelfs als de uitvoer een enkel getal is).

U kunt dat gedrag afdwingen door de keepdims parameter te gebruiken.

Stel keepdims gelijk aan true (en behoud dezelfde afmetingen)

De standaardinstelling is dat de keepdims parameter is ingesteld op False. Zoals ik zojuist heb uitgelegd, betekent dit dat de uitvoer standaard niet dezelfde afmetingen hoeft te hebben als de invoer.

Maar als u keepdims = True instelt, wordt de uitvoer gedwongen hetzelfde aantal afmetingen te hebben als de invoer.

Dit kan u in verwarring brengen, dus laten we eens kijken naar een solide voorbeeld.

Laten we eerst gewoon een 2-d array maken.

Dit is dezelfde array die we eerder hebben gemaakt, dus als u deze code al hebt uitgevoerd, hoeft u deze niet opnieuw uit te voeren. In wezen maakt deze code een 2-d matrix met de getallen van 0 tot 8, willekeurig gerangschikt in een 3 bij 3 matrix.

np.random.seed(1)np_array_2d = np.random.choice(9, 9, replace = False).reshape((3,3))

Laten we voor de duidelijkheid eens kijken door het uit te printen:

print(np_array_2d)

En hier is de array:

 ]

Ook deze array bevat alleen de gehele getallen van 0 tot 8, willekeurig gerangschikt in een 3 bij 3 NumPy array.

En hoeveel dimensies heeft het?

Het is u waarschijnlijk duidelijk, maar we kunnen het aantal dimensies direct achterhalen door het ndim attribuut uit de array te halen.

np_array_2d.ndim

En dit vertelt ons het aantal dimensies:

2

Dus, np_array_2d is een 2-dimensionale array.

Nu gebruiken we np.max om de maximale waarde van de matrix te berekenen.

np.max(np_array_2d)

De maximale waarde is 8.

En hoeveel dimensies heeft de uitvoer? Dat kunnen we controleren door te verwijzen naar het ndim attribuut aan het eind van de np.max() functie:

np.max(np_array_2d).ndim

Hoeveel dimensies heeft de uitvoer?

0.

De uitvoer van np.max is de maximale waarde (8), dat is een scalair. Deze scalair heeft nul dimensies.

Herhaal np.max met keepdims = True

Nu, laten we de code opnieuw uitvoeren met keepdims = True.

np.max(np_array_2d, keepdims = True)

Wat de volgende uitvoer oplevert:

array(])

En laten we de afmetingen eens controleren:

np.max(np_array_2d, keepdims = True).ndim

2

Hier, wanneer we np.max uitvoeren op np_array_2d met keepdims = True, heeft de uitvoer 2 afmetingen.

Bedenk wel dat de maximumwaarde hetzelfde is: 8. Het is alleen dat de afmetingen van de uitvoer verschillend zijn. Door keepdims = True in te stellen, veranderen we de structuur van de uitvoer … in plaats van een scalair, is de uitvoer eigenlijk een 2-d NumPy array met een enkele waarde (8).

Als je data science in Python wilt leren, leer dan NumPy

Als je andere tutorials hier op de Sharp Sight data science-blog hebt gelezen, weet je hoe belangrijk datamanipulatie is.

Als je serieus bent over het leren van data science, moet je echt de basis van datamanipulatie onder de knie hebben. Een enorm deel van de data science-workflow is gewoon het opschonen en manipuleren van invoergegevens.

Als je in Python werkt, is een van de essentiële vaardigheden die je dan moet kennen NumPy. Numpy is van cruciaal belang voor het opschonen, manipuleren en verkennen van je gegevens.

Als je data science in Python wilt leren, leer dan NumPy en leer het goed.

Voor meer Python data science tutorials, schrijf je in voor onze e-maillijst

Dit gezegd hebbende, als je NumPy en data science in Python wilt leren, schrijf je dan in voor onze e-maillijst.

Hier op de Sharp Sight blog, publiceren we regelmatig data science tutorials.

Wanneer u zich aanmeldt, krijgt u gratis tutorials over:

• NumPy
• Pandas
• Base Python
• Scikit learn
• Machine learning
• Deep learning
• … en nog veel meer.

Wanneer we tutorials publiceren, sturen we ze direct naar uw inbox.

Wilt u data science leren in Python? Meld u nu aan.