你真的会用drop吗?inplace参数的3种正确打开方式,

第一章:你真的会用drop吗?inplace参数的核心认知

在数据处理中,`drop` 方法是 Pandas 中最常用的操作之一,用于删除行或列。然而,许多开发者忽略了 `inplace` 参数的关键作用,导致内存使用不当或意外丢失数据。

inplace参数的行为差异

`inplace` 参数决定操作是否直接修改原对象:
  • inplace=False:返回新的 DataFrame,原始数据不变
  • inplace=True:直接修改原 DataFrame,不返回新对象
# 示例:inplace=False(默认)
import pandas as pd
df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
new_df = df.drop('A', axis=1, inplace=False)
# df 保持不变,new_df 是修改后的副本

# 示例:inplace=True
df.drop('B', axis=1, inplace=True)
# df 被直接修改,列 'B' 永久删除

常见误区与最佳实践

场景推荐设置说明
临时查看删除效果inplace=False避免污染原始数据
确认删除且节省内存inplace=True减少副本创建,提升性能
链式操作中使用 dropinplace=False支持方法链,如 df.drop(...).reset_index()
graph TD A[调用 drop 方法] --> B{inplace=True?} B -->|是| C[直接修改原 DataFrame] B -->|否| D[返回新 DataFrame] C --> E[原数据不可恢复] D --> F[需显式赋值保存结果]

第二章:inplace参数的基础原理与常见误区

2.1 inplace参数的定义与内存机制解析

inplace参数的核心作用
在Pandas等数据处理库中,`inplace=True`表示直接修改原始对象,而非返回新对象。这会影响内存使用模式和数据引用关系。
内存机制差异
当`inplace=False`时,操作生成新对象,原数据保留,增加内存开销;而`inplace=True`复用原有内存空间,节省资源但不可逆。

import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3]})
df.drop('A', axis=1, inplace=True)  # 直接修改df,无返回值
上述代码中,`inplace=True`使`drop`操作直接作用于`df`,不创建新DataFrame,避免了数据复制带来的内存消耗。
  • inplace=True:节省内存,修改原对象
  • inplace=False:保留原数据,返回新实例

2.2 inplace=True为何有时不生效?典型错误场景分析

在使用 Pandas 进行数据处理时,`inplace=True` 并非在所有场景下都能如预期修改原对象。常见误区包括链式操作中 `inplace` 失效。
链式调用中的陷阱
当方法链中存在视图与副本分离时,`inplace=True` 仅作用于中间副本,无法影响原始 DataFrame。

df[df['age'] > 25].drop('name', axis=1, inplace=True)
上述代码中,`df['age'] > 25` 返回副本,`drop` 操作即使设置 `inplace=True` 也不会修改原始 `df`,且无返回值赋值,结果“丢失”。
避免策略
  • 避免在布尔索引后使用 `inplace`,应先赋值再操作;
  • 优先使用显式赋值:`df = df.drop(...)`;
  • 利用 `.loc` 配合条件修改,确保作用于原始数据。

2.3 链式操作中使用inplace的安全隐患与规避策略

在数据处理过程中,链式操作常用于提升代码可读性,但当其中包含 inplace=True 操作时,可能引发意外的数据修改或 SettingWithCopyWarning。
常见问题场景
Pandas 中的 inplace 参数虽能节省内存,但在链式调用中可能导致中间视图被修改,进而影响后续操作的稳定性。

import pandas as pd
df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
subset = df[df['A'] > 0]
subset.drop('B', axis=1, inplace=True)  # 可能修改原始 df
该代码实际可能通过引用修改原始 df,破坏数据隔离性。
规避策略
  • 避免在链式操作中使用 inplace=True
  • 显式复制数据:subset = df[df['A'] > 0].copy()
  • 使用返回值重新赋值,而非原地修改

2.4 视图与副本对inplace操作的影响深度剖析

数据共享与独立性
在NumPy和PyTorch等库中,视图(View)通过共享内存实现数据的轻量级访问,而副本(Copy)则分配独立内存。对视图执行inplace操作会直接影响原始数组。
import numpy as np
a = np.array([1, 2, 3])
b = a.view()    # 创建视图
b += 1          # inplace操作
print(a)        # 输出: [2 3 4]
上述代码中,b += 1 修改了共享内存,导致原数组 a 被同步更新。inplace操作直接修改原地数据,绕过赋值机制,因此视图的变更会穿透到源对象。
副本的安全隔离
与视图不同,副本通过深拷贝切断内存关联:
  • 使用 .copy() 方法创建独立数据
  • inplace操作仅作用于副本自身
  • 原始数据保持不变,确保计算安全性

2.5 不同数据类型(DataFrame/Series)下inplace的行为差异

在Pandas中,`inplace=True`参数用于控制操作是否直接修改原对象。该行为在DataFrame和Series中表现一致,但因数据结构不同,实际影响存在差异。
操作影响范围对比
  • DataFrame:inplace操作修改整个表结构,如删除列或填充缺失值;
  • Series:仅作用于一维数据,如重置索引或替换值。
import pandas as pd
df = pd.DataFrame({'A': [1, None], 'B': [3, 4]})
ser = df['A']

# DataFrame inplace操作
df.dropna(inplace=True)  # 原df被修改

# Series inplace操作
ser.fillna(0, inplace=True)  # 原ser被修改
上述代码中,`dropna`和`fillna`均通过`inplace=True`直接更新原始对象,避免创建副本,节省内存。但需注意:一旦执行,原数据不可恢复。

第三章:inplace=True的正确实践模式

3.1 显式赋值与inplace=True的协同使用技巧

在数据处理过程中,合理结合显式赋值与 `inplace=True` 参数能有效控制内存使用并提升代码可读性。
操作模式对比
Pandas 提供两种修改数据的方式:返回新对象或就地修改。当设置 `inplace=True` 时,原对象被直接更新,不返回新实例。
df_clean = df.dropna()          # 显式赋值:保留原始 df
df.dropna(inplace=True)         # 就地修改:df 自身被更改
上述代码逻辑表明:第一种方式通过赋值接收结果,适合需保留原始数据的场景;第二种则节省内存,适用于流水线中的中间处理步骤。
推荐使用策略
  • 链式操作中优先使用显式赋值,避免引用错误
  • 大数据集清理时启用 inplace=True 减少内存拷贝
  • 调试阶段慎用 inplace=True,防止难以追踪的副作用

3.2 在数据清洗流程中安全应用inplace提升效率

在数据清洗过程中,合理使用 `inplace=True` 参数可显著减少内存开销并提升处理速度。该参数适用于如缺失值填充、列重命名等操作,避免创建副本。
适用场景与代码示例
import pandas as pd

# 创建示例数据
df = pd.DataFrame({'A': [1, None, 3], 'B': [None, 5, 6]})

# 原地填充缺失值
df.fillna(0, inplace=True)
上述代码直接修改原始 `df`,节省内存。`inplace=True` 表示不返回新对象,而是修改原数据。
风险与规避策略
  • 一旦启用 inplace 操作,原始数据不可恢复,建议在确认数据备份或处于可重放流水线时使用;
  • 链式操作中避免使用 inplace,以防出现未定义行为。

3.3 多列/多行删除时inplace的最佳调用方式

在处理大规模数据集时,合理使用 `inplace=True` 参数可有效减少内存复制开销。对多列或多行的批量删除操作,推荐统一调用 `drop` 方法并配合标签列表。
高效删除模式
df.drop(columns=['col1', 'col2'], inplace=True)
df.drop(index=[0, 1, 2], inplace=True)
该方式避免多次触发数据副本生成。参数 `columns` 和 `index` 接收列表,一次性完成多字段移除。若不启用 `inplace`,则需重新赋值,增加引用复杂度。
操作顺序建议
  • 优先删除冗余列,释放列空间
  • 再清理无效行,提升后续计算效率
  • 连续操作应合并为单次调用

第四章:性能优化与工程化应用

4.1 使用inplace减少内存复制提升大数据处理速度

在处理大规模数据时,频繁的内存复制会显著拖慢执行效率。`inplace` 参数是许多数据处理库(如Pandas)提供的关键优化机制,它允许操作直接在原始数据上进行,避免创建副本。
核心优势
  • 减少内存占用:不生成中间对象
  • 提升运行速度:省去数据拷贝开销
  • 适用于链式操作中的就地修改
代码示例与分析

import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
df.fillna(0, inplace=True)  # 直接修改原df,不返回新对象
上述代码中,设置 inplace=True 后,填充空值的操作直接作用于原始 DataFrame,节省了约50%的内存临时分配开销,尤其在GB级以上数据处理中效果显著。

4.2 在循环和批量处理中合理控制inplace的副作用

在数据处理过程中,`inplace=True` 虽能节省内存,但在循环或批量操作中可能引发意外的数据覆盖问题。
潜在风险示例
import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
for col in df.columns:
    df[col].replace(1, 0, inplace=True)  # 多次原地修改易导致逻辑混乱
上述代码在循环中对每列执行原地替换,若后续操作依赖原始值,将因数据被即时修改而产生错误结果。`inplace=True` 直接更改原对象,失去回溯能力。
推荐实践方式
使用非原地操作结合批量赋值,提升可读性与安全性:
  • 优先采用返回新对象的方式(即 `inplace=False`)
  • 在大规模循环中显式复制数据:`df_copy = df.copy()`
  • 利用向量化操作替代逐列 inplace 修改

4.3 结合context管理器实现可逆的原地删除操作

在处理敏感数据结构时,原地删除可能带来不可逆的副作用。通过结合 Python 的 contextlib.contextmanager,可实现带回滚能力的删除操作。
上下文管理器封装安全删除
使用生成器函数定义上下文管理器,确保异常时自动恢复原始状态:
from contextlib import contextmanager

@contextmanager
def reversible_delete(lst, index):
    if index >= len(lst):
        raise IndexError("Index out of range")
    backup = lst.copy()
    try:
        del lst[index]
        yield lst
    except Exception:
        lst[:] = backup
        raise
上述代码中,backup = lst.copy() 保存现场,del lst[index] 执行删除,若发生异常则通过 lst[:] = backup 恢复列表内容。yield 返回当前状态供外部使用。
使用场景示例
  1. 配置热更新时临时移除某项,失败则回滚
  2. 算法调试中尝试性删除元素

4.4 Jupyter环境中inplace使用的调试建议与最佳实践

避免意外的数据修改
在Jupyter中使用inplace=True时,操作将直接修改原对象,可能引发后续单元格的不可预期行为。建议在调试阶段优先使用显式赋值方式。

# 推荐:显式赋值便于追踪变化
df_clean = df.dropna()
该写法保留原始df,便于对比清洗前后数据状态,适合交互式开发环境。
调试时的检查清单
  • 执行inplace操作前备份关键数据
  • 使用df.copy()创建副本进行测试
  • 操作后立即验证数据形状与内容
推荐实践流程
输入数据 → 创建副本 → 应用变换 → 对比差异 → 确认后更新原数据

第五章:总结与高效使用inplace的关键原则

理解 inplace 操作的本质

inplace 操作直接修改原对象,避免创建新实例,显著提升内存效率。在处理大型张量或 DataFrame 时尤为关键。

选择合适的场景使用 inplace
  • 数据预处理阶段清理缺失值时,fillna(inplace=True) 可节省内存
  • 模型训练前的特征标准化,避免中间变量堆积
  • 实时系统中对流式数据的即时变换
规避潜在风险
操作类型安全使用 inplace建议避免
Drop 列✅ 是❌ 在多分支流程中
Tensor 修改✅ 训练循环内❌ 涉及自动求导时
实战代码示例
# 安全地在数据清洗中使用 inplace
import pandas as pd
df = pd.read_csv("large_dataset.csv")
df.dropna(subset=["user_id"], inplace=True)  # 减少内存占用
df.reset_index(drop=True, inplace=True)

# PyTorch 中的 inplace 运算需谨慎
x = torch.tensor([1.0, 2.0], requires_grad=True)
y = x * 2
y.add_(3)  # inplace 加法,不影响梯度计算链
执行流程图:
数据加载 → 判断是否可变操作 → 评估内存压力 → 决定是否启用 inplace → 执行并监控副作用
在高并发服务中,结合 profiling 工具检测内存峰值,动态调整是否启用 inplace 策略。例如,当可用内存低于阈值时,强制启用 inplace 清理临时列。
常微分方程 (ODE) 和 随机微分方程 (SDE) 常微分方程(Ordinary Differential Equations, ODE)和随机微分方程(Stochastic Differential Equations, SDE)是数学中描述系统动态行为的重要工具。它们有一些相似之处,但在处理随机性方面存在显著差异。 阅读详情

相关推荐

Ren’py教程《从入门到精通》

Ren’py是什么?Ren'py是一款用于制作视觉小说、冒险游戏、galgame的游戏制作工具,被来自世界各地的数千名创作者使用。Ren'py的名字由Ren’ai和Python混合而成,而Python也是Ren'py所使用的环境语言。Ren'py可以帮助你使用文字、图像和声音来讲述在计算机和移动设备上运行的交互式故事。这些既可以是视觉小说,也可以是生活模拟游戏。易于学习的脚本语言允许 任何人都可以有效地编写大型视觉小说,而它的Python 脚本足以应对复杂的 模拟游戏。

2302_77140651的博客 1万+

python进行数据处理:pandas的drop函数

删除表中的某一行或者某一列更明智的方法是使用drop,它不改变原有的df中的数据,而是返回另一个dataframe来存放删除后的数据。

写bug的程旭源 3588

电感损耗 DCR/ACR/磁芯损耗 3 大来源解析:从集肤效应到磁滞回线

本文深入解析电感损耗的三大来源:DCR(直流电阻)、ACR(交流电阻)和磁芯损耗,从集肤效应到磁滞回线的微观机制。通过对比不同材料和设计策略,提供高频开关电源中电感损耗的优化方案,帮助工程师提升系统效率和可靠性。

weixin_34379433的博客 517

数据清洗处理实战:pandas运用.drop()方法删除特定行与列的方法详解 - 按条件删除单行、多行、单列、多列、多条件删除与数据框替换应用实例讲解

本文详细介绍了pandas运用.drop()方法删除特定行与列的方,包括 按条件删除单行、多行、单列、多列、多条件删除与数据框替换应用实例讲解,对于初学者是很好的教材,对于有经验的使用者,是一个备查工具。

qq_58168857的博客 1万+

平衡电桥检测高压绝缘电阻的原理

检测绝缘漏电的高压拓扑如下:BMU需要连接BAT+,BAT-和PE线,并测量电池总压(Ubatt)和负母线电压(Un),并计算出正母线电压(Up)。

booksyhay的专栏 1万+

Claude Code 完整学习笔记

Claude Code 学习笔记摘要 Claude Code是Anthropic推出的智能编码工具,基于Claude Opus 4.5模型构建,提供跨平台支持(终端/VS Code/JetBrains/Web等)。核心功能包括: 代码库理解与多文件编辑 命令执行与开发工具集成 智能体协作开发流程 安装要求Node.js≥18,提供原生/Homebrew/npm等多种安装方式,支持环境变量配置API访问。基础交互模式包括会话管理、文件操作和代码审查等功能,可自动读写文件并执行精确修改。 (149字)

虚心若愚 812

Python中pandas dataframe删除一行或一列:drop函数

用法:DataFrame.drop(labels=None,axis=0, index=None, columns=None, inplace=False) 在这里默认:axis=0,指删除index,因此删除columns时要指定axis=1; inplace=False,默认该删除操作不改变原数据,而是返回一个执行删除操作后的新dataframe; inplace=True,则会直接在原...

海晨威 77万+

【AI深究】合成数据(Synthetic Data)深度解析:原理、算法与工程实践——全网最详细流程|核心原理、主流方法、数学表达、工程实践与细节、未来趋势|GAN、VAE、语言模型LLM合成如GPT

大家好,我是爱酱。本篇延续将会系统梳理合成数据(Synthetic Data)的核心原理、主流方法、数学表达、工程实践与未来趋势,结合数学公式,帮助你全面理解这一AI建模的关键技术。 注:本文章含大量数学算式、详细例子说明及大量代码演示,大量干货,建议先收藏再慢慢观看理解。新频道发展不易,你们的每个赞、收藏跟转发都是我继续分享的动力!

AI人工智能爱酱~你的AI学习好帮手~ 4949

Pandas基本操作——增加、修改和删除

Pandas基本操作——增加、修改和删除

m0_51612678的博客 3632

YOLOv8剪枝 lamp剪枝测试精度仅掉0.7个点,速度提高11.8fps!

该摘要介绍了LAMP剪枝方法的创新点和理论分析,重点突出了其最小化L2失真和分层自适应剪枝的特性。LAMP通过引入ξ变量在最坏情况下优化剪枝失真,并简化了计算过程。文章还提供了代码移植的具体步骤,包括创建compress.py文件和相关配置说明。

FJN110的博客 1114

【图像超分】论文精读:Residual Dense Network for Image Super-Resolution(RDN)

一个非常深的卷积神经网络 (CNN) 最近在图像分类 (SR) 方面取得了巨大成功,并提供了分层特征。然而,大多数基于深度 CNN 的 SR 模型没有充分利用原始低分辨率 (LR) 图像中的层次特征,从而实现相对较低的性能。在本文中,我们提出了一种新的残差密集网络(RDN)来解决图像SR中的这个问题。我们充分利用所有卷积层的分层特征。具体来说,我们提出了残差密集块(RDB)通过密集连接的卷积层提取丰富的局部特征。RDB 进一步允许将前一个 RDB 的状态与当前 RDB 的所有层直接连接,从而产生连续的内存

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 7260

[Pandas] DataFrame.drop() 删除数据

Pandas DataFrame.drop()删除数据

Hudas的博客 3万+

软考 系统架构设计师之考试感悟5

软考 系统架构设计师之考试感悟5

phmatthaus的专栏 878

你真的会用drop吗?inplace参数背后的5个鲜为人知的数据处理真相

掌握Pandas drop的inplace参数,避免数据丢失陷阱。详解其在删除行/列、链式操作、视图与副本中的应用,揭示就地修改与返回副本的核心差异。理解适用场景与潜在风险,提升数据处理效率,值得收藏。

PixelFlow的博客 419

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

python中drop用法_Python drop方法删除列之inplace参数实例

drop方法有一个可选参数inplace,表明可对原数组作出修改并返回一个新数组。不管参数默认为False还是设置为True,原数组的内存值是不会改变的,区别在于原数组的内容是否直接被修改。默认为False,表明原数组内容并不改变,如果我们需要得到改变后的内容,需要将新结果赋给一个新的数组,即data = data.drop(["test","test2"],1)。如果将inplace值设定为Tr...

weixin_35282313的博客 5080

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

python drop删除多列_Python drop方法删除列之inplace参数实例

drop方法有一个可选参数inplace,表明可对原数组作出修改并返回一个新数组。不管参数默认为False还是设置为True,原数组的内存值是不会改变的,区别在于原数组的内容是否直接被修改。默认为False,表明原数组内容并不改变,如果我们需要得到改变后的内容,需要将新结果赋给一个新的数组,即data = data.drop(['test','test2'],1)。如果将inplace值设定为Tr...

weixin_39839410的博客 6649

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

python pandas中 inplace 参数理解

pandas 中 inplace 参数在很多函数中都会有,它的作用是:是否在原对象基础上进行修改 ​ inplace = True:不创建新的对象,直接对原始对象进行修改; ​ inplace = False:对数据进行修改,创建并返回新的对象承载其修改结果。 默认是False,即创建新的对象进行修改,原对象不变,和深复制和浅复制有些类似。 例: inplace=T...

海晨威 9万+

pandas笔记2---reset_index函数drop与inplace参数的理解

本文将分为三部分: 1. reset_index函数: 修改排序,否则可能会产生错误,所以对DataFrame做完合并,或者做分组聚合(groupby,agg,transform等函数)后,最好做一个 reset_index处理。 2.drop参数的理解: drop=True: 把原来的索引index列去掉,丢掉。 drop=False:保留原来的索引(以前的可能是乱的) 3. inplac...

三年研究生能改变多少 2万+

python drop_Python drop方法删除列之inplace参数实例

drop方法有一个可选参数inplace,表明可对原数组作出修改并返回一个新数组。不管参数默认为False还是设置为True,原数组的内存值是不会改变的,区别在于原数组的内容是否直接被修改。默认为False,表明原数组内容并不改变,如果我们需要得到改变后的内容,需要将新结果赋给一个新的数组,即data = data.drop(['test','test2'],1)。如果将inplace值设定为Tr...

weixin_39611275的博客 314

DataFrame.drop_duplicates操作中的inplace参数

Pandas操作中有个很奇怪的特性,就是操作不是对自身操作的。 比如: a = pd.DataFrame({'a':[1,2,3],'b':[3,2,1],'c':[1,1,1]}) b = pd.DataFrame({'a':[1,1],'b':[2,2],'c':[3,3]}) c = a.append(b) print(a) print(b) print(c) a b c 0 1 3 1 1 2 2 1 2 3 1 1 a b c 0 1 2 3 1 1

pldcat的博客 1471

python drop用法_Python drop方法删除列之inplace参数实例

Python drop方法删除列之inplace参数实例,数组,密度,方法,含糖,内容Python drop方法删除列之inplace参数实例易采站长站,站长之家为您整理了Python drop方法删除列之inplace参数实例的相关内容。drop方法有一个可选参数inplace,表明可对原数组作出修改并返回一个新数组。不管参数默认为False还是设置为True,原数组的内存值是不会改变的,区别在...

weixin_29374181的博客 1370

python列表取反inplace_Python drop方法删除列之inplace参数实例

drop方法有一个可选参数inplace,表明可对原数组作出修改并返回一个新数组。不管参数默认为False还是设置为True,原数组的内存值是不会改变的,区别在于原数组的内容是否直接被修改。默认为False,表明原数组内容并不改变,如果我们需要得到改变后的内容,需要将新结果赋给一个新的数组,即data = data.drop(['test','test2'],1)。如果将inplace值设定为Tr...

weixin_39959615的博客 107

Python drop方法删除列之inplace参数

drop方法有一个可选参数inplace,表明可对原数组作出修改并返回一个新数组。不管参数默认为False还是设置为True,原数组的内存值是不会改变的,区别在于原数组的内容是否直接被修改。默认为False,表明原数组内容并不改变,如果我们需要得到改变后的内容,需要将新结果赋给一个新的数组,即data = data.drop(['test','test2'],1)。如果将inplace值设定为Tr...

qq_38923076的博客 9643

Pandas inplace参数全解析,彻底搞懂drop、reset_index等操作的底层机制

掌握Pandas drop的inplace参数,避免数据修改常见误区。详解其在drop、reset_index等操作中的适用场景与底层机制,对比True/False对内存和链式操作的影响,提升代码效率与可读性。数据清洗必知技巧,值得收藏。

QuickCode的博客 855

python pandas 之drop()函数

drop函数的使用 (1)drop() 删除行和列 drop([ ],axis=0,inplace=True) drop([]),默认情况下删除某一行; 如果要删除某列,需要axis=1; 参数inplace 默认情况下为False,表示保持原来的数据不变,True 则表示在原来的数据上改变。 import pandas as pd import numpy as np da...

lhaniey的博客 8万+

python中 inplace 参数的理解

pandas 中 inplace 参数在很多函数中都会有,它的作用是:是否在原对象基础上进行修改 inplace = True:不创建新的对象,直接对原始对象进行修改; ​ inplace = False:对数据进行修改,创建并返回新的对象承载其修改结果。 其默认的数值是False,即创建新的对象进行修改,原对象不变,和深复制和浅复制有些类似。 实例1--inplace=True情况: import pandas as pd import numpy as np df=pd.DataFra..

weixin_45564943的博客 1万+
上一篇: OpenCV图像处理进阶指南(滞后阈值调优全攻略)
下一篇: 【专家级Java编程技巧】:flatMap + Optional结合处理空集合的终极方案
FuncFun
博客等级 码龄1年 133粉丝 1996原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值