Numpy 将概率转换为预测标签的最简单、最快的方法是什么？

简而言之，我正在为以下代码寻找一行/两行代码：

for i in range(A.shape[1]):

    # Convert probabilities A[0,i] to actual predictions p[0,i]
    ### START CODE HERE ### (≈ 4 lines of code)
    if(A[i] > .5)
       Y_prediction[i] = 1
    else 
        Y_prediction[i] = 0

---

您希望将概率值转换为0-1标签。赋值

V_预测[0，：]=A[0，：]>0.5

应该足够了；如果目标数组V_预测为数值，则布尔值

A[0，：]>0.5

（真/假）将变为数字1，0。例如：

V_prediction = np.zeros((3, 10))
A = np.random.uniform(size=(3, 10))
V_prediction[0, :] = A[0, :] > 0.5 

V_预测现在是（随机的）

如果所有标签都是整数，则可以使用整数数据类型声明V_预测

一种更复杂的方法是使用

V_prediction[0，：]=np.分段（A[0，：]，[A[0，：]>0.5，A[0，：]numpy
argmax
函数应该在这里派上用场。只需将数组作为参数传递给
argmax
函数，它就会根据概率给出标签

更多信息，请参见。
添加具有预期输出的示例案例？来自Andrew Ng的DL专门化的代码。。。？
array([[ 1.,  0.,  1.,  1.,  0.,  1.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]])

V_prediction[0, :] = np.piecewise(A[0, :], [A[0, :] > 0.5, A[0, :] <= 0.5], [0, 1])