Nach der Untersuchung stellte ich fest, dass es mit der Numpy-Funktion leicht realisiert werden kann, so dass Memo.
import numpy as np
"""
Unterschied im 1. Stock
"""
x = np.array(range(10, 100)) #Geeigneter Vektor
x0 = x[0] #Anfangswert speichern
x_diff1 = np.diff(x)
"""
Inverse Umwandlung
"""
tmp = np.concatenate(([x0], x_diff1))
#Oder darunter
# tmp = np.r_[x[0],x_diff1]
x_ = np.cumsum(tmp)
"""
prüfen
"""
np.all(x == x_)
Meistens reichen die Funktionen von numpy aus. Ich bin immer noch nicht damit vertraut, aber ich möchte mich allmählich daran erinnern.
Ich plane, Statistikmodelle in der sckit-learn-Pipeline auszuführen, einschließlich dieser Vorverarbeitung, und sie ordentlich zu implementieren, aber es ist umständlich, dass die Schnittstelle nicht subtil passt. Ich hoffe, dass es durch das Einfügen in die Pipeline möglich sein wird, die Logik zu ändern (Parameter ändern, Ausführungsreihenfolge ändern, Methode selbst ändern usw.), aber läuft es nicht reibungslos?
Ich möchte wissen, ob es einen einfachen Weg gibt. ..
http://qiita.com/sotetsuk/items/d0e73afdcffdc8ac3e6b
Recommended Posts