算法Python numpy作用(numpy.diff、numpy.argwhere)（numpy计算）

25-04-16 3

在这篇文章中，我们将带领您了解算法Pythonnumpy作用(numpy.diff、numpy.argwhere)的全貌，包括numpy计算的相关情况。同时，我们还将为您介绍有关AnacondaNum

在这篇文章中，我们将带领您了解算法Python numpy作用(numpy.diff、numpy.argwhere)的全貌，包括numpy计算的相关情况。同时，我们还将为您介绍有关Anaconda Numpy 错误“Importing the Numpy C Extension Failed”是否有另一种解决方案、cvxpy 和 numpy 之间的版本冲突：“针对 API 版本 0xe 编译的模块，但此版本的 numpy 是 0xd”、git diff --patience和git diff --histogram有什么区别？、Git 想向我展示什么？行之间的 Git diff 没有明显差异 Diff 包含 � 替换字符的知识，以帮助您更好地理解这个主题。

本文目录一览：

算法Python numpy作用(numpy.diff、numpy.argwhere)（numpy计算）
Anaconda Numpy 错误“Importing the Numpy C Extension Failed”是否有另一种解决方案
cvxpy 和 numpy 之间的版本冲突：“针对 API 版本 0xe 编译的模块，但此版本的 numpy 是 0xd”
git diff --patience和git diff --histogram有什么区别？
Git 想向我展示什么？行之间的 Git diff 没有明显差异 Diff 包含 � 替换字符

算法Python numpy作用(numpy.diff、numpy.argwhere)（numpy计算）

调用

import numpy as np

函数介绍(numpy.diff)

函数：numpy.diff

参数:
arr : [array_like] Input array.
n : [int,optional] The number of times values are differenced.
axis : [int,optional] The axis along which the difference is taken,default is the last axis.

返回: [ndarray]The n-th discrete difference. The output is the same as a except along axis where the dimension is smaller by n.

作用

判断一串数据是否有连续性，例如1，2，3，4，5，6，7，8或者a，b，c，d，e，f，g，在或者

0x01，0x02，0x03，0x04，0x05，0x06，再或者A，B，C，D，E，F，G等等

实例

字符串

4001676200000000c40a060000000000101112131415161718191a1b1c1d1e1f202122232425262728292a2b2c2d2e2f303132333435363738393a3b3c3d3e3f

转换ASCII

'@\x01gb\x00\x00\x00\x00\xc4\n\x06\x00\x00\x00\x00\x00\x10\x11\x12\x13\x14\x15\x16\x17\x18\x19\x1a\x1b\x1c\x1d\x1e\x1f !"#$%&\'()*+,-./0123456789:;<=>?'

diff_2 = np.diff(list(payload),n=2)
print(diff_2)


结果：
[ 165 -107  -93   98    0    0  196 -382  182   -2    6    0    0    0
   16  -15    0    0    0    0    0    0    0    0    0    0    0    0
    0    0    0    0    0    0    0    0    0    0    0    0    0    0
    0    0    0    0    0    0    0    0    0    0    0    0    0    0
    0    0    0    0    0    0]

总结：那些0既表示此数据有很多连续自增数

函数介绍(numpy.argwhere)

函数名：numpy.argwhere

参数：
arr :[数组]输入数组。

返回:[ndarray]非零元素的索引。索引按元素分组。

作用

返回数组中，非0的坐标，常用于获取数组中非0的下表，或者非0个数

实例

数组

[ 165 -107  -93   98    0    0  196 -382  182   -2    6    0    0    0
   16  -15    0    0    0    0    0    0    0    0    0    0    0    0
    0    0    0    0    0    0    0    0    0    0    0    0    0    0
    0    0    0    0    0    0    0    0    0    0    0    0    0    0
    0    0    0    0    0    0]

print(np.argwhere(diff_2 != 0))


结果：
[[ 0]
 [ 1]
 [ 2]
 [ 3]
 [ 6]
 [ 7]
 [ 8]
 [ 9]
 [10]
 [14]
 [15]]


print(len(np.argwhere(diff_2 != 0)))


结果：
11

Anaconda Numpy 错误“Importing the Numpy C Extension Failed”是否有另一种解决方案

如何解决Anaconda Numpy 错误“Importing the Numpy C Extension Failed”是否有另一种解决方案？

希望有人能在这里提供帮助。我一直在绕圈子一段时间。我只是想设置一个 python 脚本，它将一些 json 数据从 REST API 加载到云数据库中。我在 Anaconda 上设置了一个虚拟环境（因为 GCP 库推荐这样做），安装了依赖项，现在我只是尝试导入库并向端点发送请求。我使用 Conda（和 conda-forge）来设置环境并安装依赖项，所以希望一切都干净。我正在使用带有 Python 扩展的 VS 编辑器作为编辑器。每当我尝试运行脚本时，我都会收到以下消息。我已经尝试了其他人在 Google/StackOverflow 上找到的所有解决方案，但没有一个有效。我通常使用 IDLE 或 Jupyter 进行脚本编写，没有任何问题，但我对 Anaconda、VS 或环境变量（似乎是相关的）没有太多经验。在此先感谢您的帮助！

  \Traceback (most recent call last):
File "C:\Conda\envs\gcp\lib\site-packages\numpy\core\__init__.py",line 22,in <module>
from . import multiarray
File "C:\Conda\envs\gcp\lib\site-packages\numpy\core\multiarray.py",line 12,in <module>
from . import overrides
File "C:\Conda\envs\gcp\lib\site-packages\numpy\core\overrides.py",line 7,in <module>
from numpy.core._multiarray_umath import (
ImportError: DLL load Failed while importing _multiarray_umath: The specified module Could not be found.

During handling of the above exception,another exception occurred:

Traceback (most recent call last):
File "c:\API\citi-bike.py",line 4,in <module>
import numpy as np
File "C:\Conda\envs\gcp\lib\site-packages\numpy\__init__.py",line 150,in <module>
from . import core
File "C:\Conda\envs\gcp\lib\site-packages\numpy\core\__init__.py",line 48,in <module>
raise ImportError(msg)
ImportError:

IMPORTANT: PLEASE READ THIS FOR ADVICE ON HOW TO SOLVE THIS ISSUE!

Importing the numpy C-extensions Failed. This error can happen for
many reasons,often due to issues with your setup or how NumPy was
installed.

We have compiled some common reasons and troubleshooting tips at:

https://numpy.org/devdocs/user/troubleshooting-importerror.html

Please note and check the following:

* The Python version is: python3.9 from "C:\Conda\envs\gcp\python.exe"
* The NumPy version is: "1.21.1"

and make sure that they are the versions you expect.
Please carefully study the documentation linked above for further help.

Original error was: DLL load Failed while importing _multiarray_umath: The specified module Could not be found.

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）

cvxpy 和 numpy 之间的版本冲突：“针对 API 版本 0xe 编译的模块，但此版本的 numpy 是 0xd”

如何解决cvxpy 和 numpy 之间的版本冲突：“针对 API 版本 0xe 编译的模块，但此版本的 numpy 是 0xd”？

我正在尝试升级一些软件包并为现有的 Python 程序整合我的 requirements.txt，以便将其移至 docker 容器。

这个容器将基于 tensorflow docker 容器，这决定了我必须使用的一些包版本。我们在 windows 下工作，我们希望能够在我们的机器上本地运行该程序（至少在一段时间内）。所以我需要找到一个适用于 docker 和 Windows 10 的配置。

Tensorflow 2.4.1 需要 numpy~=1.19.2。使用 numpy 1.20 时，pip 会抱怨 numpy 1.20 是一个不兼容的版本。

但是在使用 numpy~=1.19.2 时，导入 cvxpy 时出现以下错误。 pip 安装所有软件包都很好：

RuntimeError: module compiled against API version 0xe but this version of numpy is 0xd
Traceback (most recent call last):
  File "test.py",line 1,in <module>
    import cvxpy
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\__init__.py",line 18,in <module>
    from cvxpy.atoms import *
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\atoms\__init__.py",line 20,in <module>
    from cvxpy.atoms.geo_mean import geo_mean
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\atoms\geo_mean.py",in <module>
    from cvxpy.utilities.power_tools import (fracify,decompose,approx_error,lower_bound,File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\utilities\power_tools.py",in <module>
    from cvxpy.atoms.affine.reshape import reshape
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\atoms\affine\reshape.py",in <module>
    from cvxpy.atoms.affine.hstack import hstack
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\atoms\affine\hstack.py",in <module>
    from cvxpy.atoms.affine.affine_atom import AffAtom
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\atoms\affine\affine_atom.py",line 22,in <module>
    from cvxpy.cvxcore.python import canonInterface
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\cvxcore\python\__init__.py",line 3,in <module>
    import _cvxcore
ImportError: numpy.core.multiarray Failed to import

重现步骤：

1.) 在 Windows 10 下创建一个新的 Python 3.8 venv 并激活它

2.) 通过 requirements.txt 安装以下 pip install -r requirements.txt：

cvxpy 
numpy~=1.19.2 # tensorflow 2.4.1 requires this version

3.) 通过 test.py

执行以下 python test.py

import cvxpy

if __name__ == ''__main__'':
    pass

如果我想使用 tensorflow 2.3，也会发生同样的事情。在这种情况下需要 numpy~=1.18，错误完全相同。

搜索错误发现很少的命中，可悲的是没有帮助我。

我该怎么做才能解决这个问题？

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）

git diff --patience和git diff --histogram有什么区别？

这个较早的问题要求4种不同的Git差异策略之间存在差异，但是唯一要说明的差异是myers和之间的差异patience，其他地方对此也有很好的解释。

该histogram策略如何运作？有什么区别呢patience？在GIT-
DIFF手册页只能说，它“伸出耐心算法‘支持低发生共同的元素’。” 其他页面提到它更快，并且来自JGit，但没有解释
其算法或结果与哪里或如何不同patience。

我在哪里可以找到的说明，histogram相对于算法patience的算法，与同级别的细节如布拉姆·科恩的原始的描述patience算法？

（如果只是实现性能的问题，没有任何情况会产生不同的结果，为什么不将它作为新的后端实现patience？）

答案1

小编典典

此直方图策略已在git1.7.7（2011年9月）中引入，并带有以下描述（如OP所述）

“ git diff”学习了一个“
--histogram”选项，可以使用从jgit窃取的另一种差异生成机器，这可能会提供更好的性能。

JGit包括src/org/eclipse/jgit/diff/HistogramDiff.java和tst/org/eclipse/jgit/diff/HistogramDiffTest.java

那里的描述相当完整：

直方图差异
Bram Cohen的耐心差异算法的扩展形式。
此实现是通过使用Bram
Cohen的博客中概述的4条规则得出
的，然后进一步扩展为支持低发生率的常见元素。
该算法的基本思想是为 序列A的每个元素创建出现的直方图
。然后依次考虑序列B的每个元素。如果元素也存在于序列A中，并且出现次数较少，则将这些位置视为最长公共子序列（LCS）的候选对象。
扫描完B后，将出现次数最少的LCS选择为分割点。在LCS周围划分区域，并将算法递归应用于LCS之前和之后的部分。
通过始终选择发生次数最少的LCS位置，只要两个序列之间存在唯一的公共元素，该算法的行为就与Bram Cohen的耐心差异完全一样。
如果不存在唯一元素，则选择出现次数最少的元素。
与仅依靠标准Myers O(ND)算法产生的差异相比，这提供了更具可读性的差异。
为了防止该算法O(N^2)运行时间，直方图桶中唯一元素数量的上限由设置#setMaxChainLength(int)。
如果序列A的哈希元素散布到同一个哈希桶中的元素数量超过此数目，则算法会将区域传递给#setFallbackAlgorithm(DiffAlgorithm)。
如果未配置回退算法，则该区域将作为替换编辑发出。
在扫描序列B的过程中，#setMaxChainLength(int)不会对LCS匹配位置考虑多次出现的A元素，即使这在两个序列之间是相同的。这限制了找到LCS时必须考虑的序列A中的位置数量，并有助于维持较短的运行时间范围。
只要#setMaxChainLength(int)是一个小常数（例如64），该算法就会O(N* D)及时运行，其中N是输入长度的总和，D是结果中的编辑次数EditList。
如果提供的SequenceComparator具有良好的哈希函数MyersDiff，则即使其理论运行时间相同，该实现也通常会超出性能。
此实现有一个内部限制，它不能处理包含超过268,435,456（2 ^ 28）个元素的序列

请注意，早在2006年（git1.3）中，这种算法已用于pack_checkgit-verify-pack -v。它已在git 1.7.7中重新用于index-
pack

提交8c912ee实际上引入--histogram到差异：

将JGit的HistogramDiff算法移植到C语言上。粗糙数（TODO）表明，它比其--patience表亲以及默认的Meyers算法要快。
该实现已被重新设计为 使用结构和指针而不是位掩码，从而消除了JGit的2^28line limit。
为了方便起见，我们还使用xdiff的默认哈希表实现（xdl_hash_bits() 和XDL_HASHLONG()）。

提交8555123（git1.7.10，2012年4月）添加：

8c912ee（教学时间--histogram为diff2011-07-12）声称直方图比较比Myers和耐心都要快。
此后，我们已经合并了一个性能测试框架，因此添加一个测试，以比较在实际log -p工作负载中执行的各种差异任务。
这确实表明直方图差异略胜于Myers，而耐心则慢得多。

最后，提交07ab4de（git1.8.2，2013年3月）添加

config：引入diff.algorithm变量

与其他算法相比，某些用户或项目更喜欢不同的算法，例如，对myers或类似算法的耐心。
但是，每次使用diff时都指定适当的参数是不切实际的。而且，创建别名不能与其他基于diff的工具配合使用（git-show例如）。
因此，需要一种能够设置特定算法的配置变量。
目前，这四个值已被接受：
‘ myers‘（与完全不设置config变量具有相同的效果），
‘ minimal‘
“ patience”和
‘ histogram‘。

提交07924d4并发添加了--diff-algorithm命令行选项。正如OP[StuartP.Bentley]在评论中提到的那样：

您可以配置Git在默认情况下使用直方图 ：

git config --global diff.algorithm histogram

更新：Git 2.12（2017年第一季度）将淘汰在某些极端情况下具有灾难性性能问题的“快速哈希”。

参见Jeff
King（）提交1f7c926（2016年12月1日）。
（由Junio C
Hamano合并--在731490b号文件中，2016年12月19日）peffgitster

xdiff：掉落 XDL_FAST_HASH
该xdiff代码哈希一个diff两侧的每一行，然后比较这些哈希查找重复。总体性能不仅取决于我们能够计算哈希的速度，而且取决于我们看到的哈希冲突数。
的想法XDL_FAST_HASH是加快哈希计算。
但是，生成的哈希具有较差的碰撞行为。这意味着在某些情况下，它可以加快扩散速度（通过运行“ git log -p”
git.git可以提高速度~8%），但在其他情况下，则可以减慢速度。一个病理病例减速了100倍。
可能有一个更好的哈希函数可以同时覆盖这两个属性，但与此同时，我们最好还是使用原始哈希。在一般情况下，它的速度稍慢一些，但在令人惊讶的病理情况下却很少。

注意：“ git diff --histogram”的内存使用情况模式不佳，已使用Git
2.19（2018年第三季度）对其进行了重新排列以减少峰值使用率。

请参阅Stefan
Beller（）的commit
79cb2eb，commit
64c4e8b，commit
c671d4b，commit
2820985（2018年7月19日）。（由Junio
C
Hamano合并--在commit
57fbd8e中，2018年8月15日）stefanbeller
gitster

xdiff/xhistogram：将索引分配移入 find_lcs
这修复了递归多次时的内存问题，该问题可以复制为
seq 1   100000 >oneseq 1 4 100000 >twogit diff --no-index --histogram one two
在此补丁之前，histogram_diff将在调用之前递归地调用自身free_index，这意味着在递归过程中分配了很多内存，然后才释放它们。
通过将内存分配（及其免费调用）移入find_lcs，在递归之前内存将被释放，从而在递归的下一步中可以重用内存，而不必使用新的内存。
这仅解决了内存压力，而不是运行时复杂性，这对于上面概述的极端情况也很糟糕。

Git 想向我展示什么？行之间的 Git diff 没有明显差异 Diff 包含 � 替换字符

首先在您的个人资料中检查您的 IDE 文件编码。

然后在 git 存储库中检查您如何设置：

设置 utf8 的命令示例：

git config gui.encoding utf-8

对于本地仓库，当然你也可以通过输入：

git config --global gui.encoding utf-8

所以基本上我所说的尝试看看你的所有部分是否匹配相同的编码。

这不是 Git：这是一个编码问题。

请注意，黑色菱形问号符号是某些系统告诉您的：我在这里看到一些符号，但我不知道如何显示该符号。通读 Joel Spolsky 的文章文章，The Absolute Minimum Every Software Developer Absolutely,Positively Must Know About Unicode and Character Sets (No Excuses!)。具有讽刺意味的是，该页面有一点显示 s–，它是一个 ASCII 字母 s（Unicode LATIN SMALL LETTER S，U+0073）后跟一个“破折号”（Unicode EN DASH， U+2013，十进制值 8211）。这是采用两个 ASCII 连字符 -（Unicode HYHPEN-MINUS，U+002D）并将它们组合成一个破折号的结果，这是许多排版或标记系统的一个特性，但是 不应该应用于这个特定的序列。它应该呈现为 s--，带有两个连字符。

在您的情况下，某些文件似乎已因尝试替换简单的 ASCII 字符而损坏 - 可能是反引号、Unicode GRAVE ACCENT、U+0060 和单引号、Unicode APOSTROPHE、U +0027——带有花哨的 Unicode LEFT SINGLE QUOTATION MARK U+2018 和 RIGHT SINGLE QUOTATION MARK U+2019 代码。但是，任何软件都可能错误地进行了这种转换并使用了其他一些编码。因此，您的显示软件正在尝试读取这种替代编码，就好像这是这些 Unicode 代码点的正确 UTF-8 编码，但实际上并非如此。

所有这些都会出错的原因有很多，其中很多都在 Spolsky 的文章中有所提及。作为一名程序员，您有责任找出哪里出了问题并解决了高深莫测的问题。

关于算法Python numpy作用(numpy.diff、numpy.argwhere)和numpy计算的介绍已经告一段落，感谢您的耐心阅读，如果想了解更多关于Anaconda Numpy 错误“Importing the Numpy C Extension Failed”是否有另一种解决方案、cvxpy 和 numpy 之间的版本冲突：“针对 API 版本 0xe 编译的模块，但此版本的 numpy 是 0xd”、git diff --patience和git diff --histogram有什么区别？、Git 想向我展示什么？行之间的 Git diff 没有明显差异 Diff 包含 � 替换字符的相关信息，请在本站寻找。

本文标签：