本篇内容介绍了“Python NumPy的allclose怎么用”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
numpy 数组及运算
扩展库 numpy 是 Python 支持科学计算的重要扩展库，是数据分析和科学计算领域如 scipy、pandas、sklearn 等众多扩展库中必备的扩展库之一，提供了强大的 N 维数组及其相关的运算、复杂的广播函数、C/C++和Fortran代码集成工具以及线性代数、傅里叶变换和随机数生成等功能。
创建数组
数组是用来存储若干数据的连续内存空间，其中的元素一般是相同类型的，例如都是浮点数。数组运算是学习数据分析和机器学习相关算法的重要基础。在我们处理实际数据的时候，总会用到大量的数组运算或者矩阵的运算，这些数据有的是通过文件直接读取的，有的则是根据实际需要生成的，当然还有些数据是实时采集的。
import numpy as npnp.array([1, 2, 3, 4, 5])# -> array([1, 2, 3, 4, 5])np.array(range(5))# -> array([0, 1, 2, 3, 4])np.array([1, 2, 3],[4, 5, 6])# -> array([[1, 2, 3],#[4, 5, 6]])np.arange(5)#-> array([0, 1, 2, 3, 4])np.arange(1, 10, 2)#-> array([1, 3, 5, 7, 9])np.linspace(0, 10, 11)#-> array([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])np.linspace(0, 10, 11, endpoint=False)#-> array([0. , 0.90909091, 1.81818182, 2.72727273, 3.63636364,# 4.54545455, 5.45454545, 6.36363636, 7.27272727, 8.18181818,# 9.09090909])np.logspace(0, 100, 10)#-> array([1.00000000e+000, 1.29154967e+011, 1.66810054e+022, 2.15443469e+033,# 2.78255940e+044, 3.59381366e+055, 4.64158883e+066, 5.99484250e+077,# 7.74263683e+088, 1.00000000e+100])np.logspace(1, 6, 5, base=2)#-> array([ 2. , 4.75682846, 11.3137085 , 26.90868529, 64. ])np.zeros(3)#-> array([0., 0., 0.])np.ones(3)#-> array([1., 1., 1.])np.zeros((3, 3))#-> array([[0., 0., 0.],# [0., 0., 0.],# [0., 0., 0.]])np.ones((3, 3))#-> array([[1., 1., 1.],# [1., 1., 1.],# [1., 1., 1.]])np.identity(3)#-> array([[1., 0., 0.],# [0., 1., 0.],# [0., 0., 1.]])np.empty((3, 3))#-> array([[1., 0., 0.],# [0., 1., 0.],# [0., 0., 1.]])np.hamming(20)#-> array([0.08 , 0.10492407, 0.17699537, 0.28840385, 0.42707668,# 0.5779865 , 0.7247799 , 0.85154952, 0.94455793, 0.9937262 ,# 0.9937262 , 0.94455793, 0.85154952, 0.7247799 , 0.5779865 ,# 0.42707668, 0.28840385, 0.17699537, 0.10492407, 0.08 ])np.blackman(20)#-> array([-1.38777878e-17, 1.02226199e-02, 4.50685843e-02, 1.14390287e-01,# 2.26899356e-01, 3.82380768e-01, 5.66665187e-01, 7.52034438e-01,# 9.03492728e-01, 9.88846031e-01, 9.88846031e-01, 9.03492728e-01,# 7.52034438e-01, 5.66665187e-01, 3.82380768e-01, 2.26899356e-01,# 1.14390287e-01, 4.50685843e-02, 1.02226199e-02, -1.38777878e-17])np.kaiser(12, 5)#-> array([0.03671089, 0.16199525, 0.36683806, 0.61609304, 0.84458838,# 0.98167828, 0.98167828, 0.84458838, 0.61609304, 0.36683806,# 0.16199525, 0.03671089])np.random.randint(0, 50, 5)#-> array([ 6, 43, 33, 11, 5])np.random.randint(0, 50, (3,5))#-> array([[45, 30, 17, 31, 25],# [11, 32, 47, 48, 5],# [22, 29, 3, 9, 28]])np.random.rand(10)#-> array([0.53459796, 0.59163821, 0.11611952, 0.68199147, 0.03725451,# 0.57498382, 0.15140171, 0.33914725, 0.90706282, 0.68518446])np.random.standard_normal(5)#-> array([-0.62939386, -0.16023864, 1.67463293, -0.44869975, 0.97008488])np.random.standard_normal(size=(3, 4, 2))#-> array([[[-0.7924237 , -2.02222271],# [-0.7360387 , -1.88832641],# [-0.43188511, -0.40672139],# [ 2.03058394, 1.007505 ]],## [[ 0.35664297, 1.9308035 ],# [ 0.56456596, -1.02357394],# [ 1.45042549, -0.59816538],# [-0.00659242, 0.15439743]],## [[-1.31088702, -0.167339 ],# [ 0.44439704, 0.00819551],# [-2.39637084, -0.07890167],# [ 0.53474018, 1.18425122]]])np.diag([1, 2, 3, 4])#-> array([[1, 0, 0, 0],# [0, 2, 0, 0],# [0, 0, 3, 0],# [0, 0, 0, 4]])NumPy函数allclose()用于匹配两个数组，输出为布尔值，默认在1e-05的误差范围内。如果两个数组中的项在容忍范围内不相等，则返回False。这是一种检查两个数组是否每个元素都相似的好方法。
allclose()
numpy.allclose(a, b, rtol=1.e-5, atol=1.e-8, equal_nan=False)其中参数：
a是numpy数组
b是numpy数组
rtol是容许的相对最大误差系数，默认值是1.0e-5，则容许误差为rtol * abs(b)
atol是a和b数组分别求和比较绝对值的差别
equal_nan是是否将缺失值视为相同，默认是False
下面举个具体的例子：
输入：
array1 = np.array([0.12,0.17,0.24,0.29])array2 = np.array([0.13,0.19,0.26,0.31])输入：
np.allclose(array1,array2,0.1)输出：
False
原因是rtol=0.1，那么(0.19 - 0.17) > (0.19 * 0.1)
把array1中的0.17改成0.18
输入：
array3 = np.array([0.12,0.18,0.24,0.29])输入：
np.allclose(array3,array2,0.1)输出：
True
“Python NumPy的allclose怎么用”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注编程网网站，小编将为大家输出更多高质量的实用文章！
