Python 如何将概率列表转换为二进制值

我有一个存储在NumPy数组中的0到1之间的概率列表。如何转换这些值，使任何大于0.5的值变为1，并且任何使用函数：

model = np.array([0.123,0.789,0.456,0.654], dtype='float')
np.vectorize(lambda x: int(x >= 0.5))(model)

将返回：

---

数组（[0,1,0,1]）

如果没有任何附加库，您可以使用

model = [int(i > .5) for i in model]

---

您的第一个示例不起作用，因为您不是在计算

model

数组（

model[i]

）的值，而是在计算迭代器的索引（

i

）

第二个示例不起作用，因为

i+1

实际上不会更改

i

的值。您需要的是：

i+=1

在第二个示例中还有一个细微的错误，即值恰好为

0.5

将保持不变，我认为这是不需要的

可以使用Python语法轻松地将数组转换为所需的格式：

model = [random.random() for _ in range(5)]
model = [1 if n >= 0.5 else 0 for n in model]

否则，这里有一个做同样事情的传统循环：

for i in range(len(model)):
    if model[i] < 0.5:
        model[i] = 0
    else:
        model[i] = 1

适用于范围内的i（len（model））：
如果模型[i]<0.5：
模型[i]=0
其他：
模型[i]=1

只需使用函数

将numpy导入为np
模型=np.圆形（模型）

使用方法如下：

list（np.where（np.array（model）>0.5,1,0））

此外，对上述/以下所有内容进行简单的%timeit比较：

In [24]: %timeit np.round(model)                                                                                                                     
12.9 µs ± 69.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [25]: %timeit list(np.where(np.array(model) > 0.5, 1, 0 ))                                                                                        
10.7 µs ± 26.8 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [26]: %timeit [int(i > .5) for i in model]                                                                                                        
1.28 µs ± 5.02 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

---

list（map（lambda x:int（x>0.5），model））

可能使用

np.round

？

model = [int(i > .5) for i in model]

model = [random.random() for _ in range(5)]
model = [1 if n >= 0.5 else 0 for n in model]

for i in range(len(model)):
    if model[i] < 0.5:
        model[i] = 0
    else:
        model[i] = 1

In [24]: %timeit np.round(model)                                                                                                                     
12.9 µs ± 69.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [25]: %timeit list(np.where(np.array(model) > 0.5, 1, 0 ))                                                                                        
10.7 µs ± 26.8 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [26]: %timeit [int(i > .5) for i in model]                                                                                                        
1.28 µs ± 5.02 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)