Trả về một đối tượng mới với tất cả các cột ban đầu cùng với các cột mới. Các cột hiện tại được gán lại sẽ bị ghi đè Show
Tên cột là từ khóa. Nếu các giá trị có thể gọi được, chúng sẽ được tính toán trên DataFrame và được gán cho các cột mới. Có thể gọi không được thay đổi DataFrame đầu vào (mặc dù gấu trúc không kiểm tra nó). Nếu các giá trị không thể gọi được, (e. g. một Sê-ri, vô hướng hoặc mảng), chúng được gán đơn giản ReturnsDữ LiệuKhungKhung dữ liệu mới với các cột mới ngoài tất cả các cột hiện có ghi chú Có thể gán nhiều cột trong cùng một 55. Các mục sau này trong '**kwargs' có thể đề cập đến các cột mới được tạo hoặc sửa đổi trong 'df'; ví dụ >>> df = pd.DataFrame({'temp_c': [17.0, 25.0]}, .. index=['Portland', 'Berkeley']) >>> df temp_c Portland 17.0 Berkeley 25.0 Trường hợp giá trị có thể gọi được, được đánh giá trên df >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 Ngoài ra, hành vi tương tự có thể đạt được bằng cách tham chiếu trực tiếp một Sê-ri hoặc trình tự hiện có >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 Bạn có thể tạo nhiều cột trong cùng một lần gán trong đó một trong các cột phụ thuộc vào một cột khác được xác định trong cùng một lần gán Xem các phiên từ Hội nghị chuyên đề WiML về các mô hình khuếch tán với KerasCV, ML trên thiết bị, v.v. Xem theo yêu cầu
Xem hướng dẫn biến
Được sử dụng trong sổ ghi chépĐược sử dụng trong hướng dẫnĐược sử dụng trong hướng dẫn
Một biến duy trì trạng thái chia sẻ, liên tục được thao tác bởi một chương trình Hàm tạo 13 yêu cầu một giá trị ban đầu cho biến, giá trị này có thể là một 14 thuộc bất kỳ loại và hình dạng nào. Giá trị ban đầu này xác định loại và hình dạng của biến. Sau khi xây dựng, loại và hình dạng của biến được cố định. Giá trị có thể được thay đổi bằng một trong các phương thức gán
Đối số 15 cho hàm tạo của 16 cho phép bạn tạo một biến có hình dạng ít được xác định hơn so với 17 của nó >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.00 Giống như bất kỳ 14 nào, các biến được tạo bằng 13 có thể được sử dụng làm đầu vào cho các hoạt động. Ngoài ra, tất cả các toán tử bị quá tải cho lớp 14 đều được chuyển sang các biến >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.04 Khi xây dựng một mô hình học máy, thường thuận tiện để phân biệt giữa các biến chứa các tham số mô hình có thể đào tạo và các biến khác, chẳng hạn như biến 21 được sử dụng để đếm các bước đào tạo. Để làm điều này dễ dàng hơn, hàm tạo biến hỗ trợ tham số 22. 23 theo dõi các biến có thể huấn luyện theo mặc định >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.08 Các biến được tự động theo dõi khi được gán cho các thuộc tính của các loại kế thừa từ 24 >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.00 Sau đó, theo dõi này cho phép lưu các giá trị biến vào các điểm kiểm tra đào tạo hoặc vào Các mô hình đã lưu bao gồm các biểu đồ TensorFlow được tuần tự hóa Các biến thường được chụp và thao tác bởi 25s. Điều này hoạt động giống như cách chức năng không được trang trí sẽ có >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.02 Các biến được tạo bên trong một 25 phải được sở hữu bên ngoài hàm và chỉ được tạo một lần >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.04 Xem tài liệu 25 để biết chi tiết lập luận17A 14 hoặc đối tượng Python có thể chuyển đổi thành 14, là giá trị ban đầu cho Biến. Giá trị ban đầu phải có hình dạng được chỉ định trừ khi 31 được đặt thành Sai. Cũng có thể gọi được mà không có đối số trả về giá trị ban đầu khi được gọi. Trong trường hợp đó, 32 phải được chỉ định. (Lưu ý rằng hàm khởi tạo từ init_ops. trước tiên py phải được liên kết với một hình dạng trước khi được sử dụng ở đây. )______433Nếu 34, GradientTapes sẽ tự động xem việc sử dụng biến này. Mặc định là 34, trừ khi 36 được đặt thành 37, trong trường hợp đó, nó được đặt mặc định là 38. 31Nếu 38, cho phép khởi tạo biến với giá trị không xác định. Nếu 34, mặc định, hình dạng của 17 phải được biết. 43Ghi chú. Đối số này chỉ hợp lệ khi sử dụng kiểu v1 44. Chuỗi thiết bị tùy chọn mô tả nơi Biến sẽ được lưu vào bộ đệm để đọc. Mặc định cho thiết bị của Biến. Nếu không phải là 45, hãy lưu trữ trên thiết bị khác. Cách sử dụng điển hình là lưu vào bộ đệm trên thiết bị nơi các Hoạt động sử dụng Biến cư trú, để loại bỏ việc sao chép trùng lặp thông qua 46 và các câu lệnh có điều kiện khác. 47Tên tùy chọn cho biến. Mặc định là 48 và được tự động thống nhất. Bộ đệm giao thức 49 50. Nếu không phải là 45, hãy tạo lại đối tượng Biến với nội dung của nó, tham chiếu đến các nút của biến trong biểu đồ, đối tượng này phải tồn tại. Biểu đồ không thay đổi. 49 và các đối số khác là loại trừ lẫn nhau. 32Nếu được đặt, giá_trị_ban_đầu sẽ được chuyển đổi thành loại đã cho. Nếu 45, kiểu dữ liệu sẽ được giữ nguyên (nếu 17 là Tensor) hoặc 56 sẽ quyết định. 57Tùy chọn 58. Phạm vi tên để thêm vào 59 Chỉ được sử dụng khi khởi tạo từ bộ đệm giao thức. 60Một hàm chiếu tùy chọn sẽ được áp dụng cho biến sau khi được cập nhật bởi một 61 (e. g. được sử dụng để thực hiện các ràng buộc định mức hoặc ràng buộc giá trị cho các trọng số của lớp). Hàm phải lấy đầu vào là Tensor chưa được phóng đại diện cho giá trị của biến và trả về Tensor cho giá trị được chiếu (phải có cùng hình dạng). Các ràng buộc không an toàn khi sử dụng khi thực hiện đào tạo phân tán không đồng bộ. 36Cho biết khi nào một biến được phân phối sẽ được tổng hợp. Các giá trị được chấp nhận là các hằng số được định nghĩa trong lớp 63. Theo mặc định, đồng bộ hóa được đặt thành 64 và 65 hiện tại chọn thời điểm đồng bộ hóa. 66Cho biết cách một biến phân tán sẽ được tổng hợp. Các giá trị được chấp nhận là các hằng số được định nghĩa trong lớp 67. 15(tùy chọn) Hình dạng của biến này. Nếu Không, hình dạng của 17 sẽ được sử dụng. Khi đặt đối số này thành 70 (đại diện cho một hình dạng không xác định), biến có thể được gán với các giá trị của các hình dạng khác nhau. 71Liệu có nên loại bỏ biến nếu nó ở trong một 25. Mặc định là 34. Khi đối số này là 34, việc tạo biến sẽ tuân theo hành vi và hạn chế được mô tả tại đây. Nếu đối số này là 38, thì mô tả đó không áp dụng và bạn có thể tự do tạo và sử dụng biến trong 25, như thể đó là "_______477 có thể thay đổi". Bạn không thể trả lại biến mặc dù tăng78Nếu cả 49 và giá trị_ban_đầu đều được chỉ định. 78Nếu giá trị ban đầu không được chỉ định hoặc không có hình dạng và 31 là 34 Lưu ý rằng điều này khác với 83 chạy op khởi tạo biến trước khi trả về giá trị của nó. Phương thức này trả về tensor được op sử dụng để khởi tạo biến Thuộc tính66 60Trả về hàm ràng buộc được liên kết với biến này. 86Thiết bị của biến này. 32The 88 của biến này. 89The 90 của biến này. 17Trả về Tensor được sử dụng làm giá trị ban đầu cho biến. 92Hoạt động khởi tạo cho biến này. 47Tên của biến này. 94The 95 của biến này. 15The 97 của biến này. _______436____433 Lớp học trẻ em>>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0000 phương pháp>>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 001Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.000 Gán một giá trị mới cho biến Đây thực chất là một lối tắt cho >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0002Đối số ______1003A 14. Giá trị mới cho biến này. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0005Nếu 34, hãy sử dụng khóa trong khi chuyển nhượng. 47Tên của thao tác sẽ được tạo_______1008if True, sẽ trả về một giá trị nào đó đánh giá giá trị mới của biến; . ReturnsBiến được cập nhật. Nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0008 là sai, thay vào đó trả về Không có trong chế độ Háo hức và chỉ định op trong chế độ biểu đồ >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 010Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.010 Thêm một giá trị cho biến này Đây thực chất là một lối tắt cho >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0011Đối số ______1012A 14. Giá trị để thêm vào biến này. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0005Nếu 34, sử dụng khóa trong quá trình vận hành. 47Tên của thao tác sẽ được tạo_______1008if True, sẽ trả về một giá trị nào đó đánh giá giá trị mới của biến; . ReturnsBiến được cập nhật. Nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0008 là sai, thay vào đó trả về Không có trong chế độ Háo hức và chỉ định op trong chế độ biểu đồ >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 019Xem nguồn 0 Trừ một giá trị từ biến này Đây thực chất là một lối tắt cho >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0020Đối số ______1012A 14. Giá trị để trừ từ biến này. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0005Nếu 34, sử dụng khóa trong quá trình vận hành. 47Tên của thao tác sẽ được tạo_______1008if True, sẽ trả về một giá trị nào đó đánh giá giá trị mới của biến; . ReturnsBiến được cập nhật. Nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0008 là sai, thay vào đó trả về Không có trong chế độ Háo hức và chỉ định op trong chế độ biểu đồ >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 028Xem nguồn 1 Gán >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 cho biến này theo đợt Tương tự với >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0030. Điều này giả định rằng biến này và các Spare_delta IndexedSlices có một loạt các kích thước hàng đầu giống nhau cho tất cả chúng và các bản cập nhật được thực hiện trên kích thước cuối cùng của các chỉ số. Nói cách khác, kích thước phải như sau >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0031 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0032 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0033 ở đâu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0034 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0035 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0036 Và thao tác được thực hiện có thể được biểu thị dưới dạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0037 Khi thưa_delta. indices là một tensor 1D, thao tác này tương đương với >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0038 Để tránh thao tác này, người ta có thể lặp qua >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0039 đầu tiên của biến và sử dụng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0038 trên các biến phụ dẫn đến việc cắt kích thước đầu tiên. Đây là một tùy chọn hợp lệ cho >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0041, nhưng kém hiệu quả hơn cách triển khai nàyArgs____1042 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 được gán cho biến này. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0005Nếu 34, sử dụng khóa trong quá trình vận hành. 47tên của hoạt động. ReturnsBiến được cập nhật. Tăng______1047nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0042 không phải là >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0049 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 050Xem nguồn 2 Tăng biến này cho đến khi đạt đến >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0051. (không dùng nữa)Không dùng nữa. CHỨC NĂNG NÀY KHÔNG ĐƯỢC DÙNG. Nó sẽ được gỡ bỏ trong một phiên bản tương lai. Hướng dẫn cập nhật. Thích tập dữ liệu. phạm vi thay thế. Khi Op đó được chạy, nó sẽ cố gắng tăng biến thêm 1052. Nếu việc tăng biến sẽ đưa nó lên trên >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0051 thì Op sẽ tăng ngoại lệ >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0054 Nếu không có lỗi nào xuất hiện, Op sẽ xuất giá trị của biến trước khi tăng Đây thực chất là một phím tắt cho >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0055Args____1051giá trị tại đó việc tăng biến sẽ gây ra lỗi. ReturnsA 14 sẽ giữ giá trị biến trước khi tăng. Nếu không có Op nào khác sửa đổi biến này, tất cả các giá trị được tạo ra sẽ khác biệt >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 058Xem nguồn 3 Trong một phiên, tính toán và trả về giá trị của biến này Đây không phải là một phương pháp xây dựng đồ thị, nó không thêm ops vào đồ thị Phương thức tiện lợi này yêu cầu một phiên trong đó biểu đồ chứa biến này đã được khởi chạy. Nếu không có phiên nào được thông qua, phiên mặc định sẽ được sử dụng. Xem >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0059 để biết thêm thông tin về cách khởi chạy biểu đồ và về các phiên 4Args >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0060Phiên sử dụng để đánh giá biến này. Nếu không, phiên mặc định được sử dụng. ReturnsA numpy >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0061 với một bản sao giá trị của biến này >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 062Xem nguồn 5 CHỨC NĂNG KHÔNG DÙNG Không dùng nữa. CHỨC NĂNG NÀY KHÔNG ĐƯỢC DÙNG. Nó sẽ được gỡ bỏ trong một phiên bản tương lai. Hướng dẫn cập nhật. Sử dụng ref() thay thế.>>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 063Xem nguồn 6 Trả về một đối tượng 16 được tạo từ 49 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 066Xem nguồn 7 Tập hợp các lát cắt từ >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0067 thành một Tenor có hình dạng được chỉ định bởi >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068 xem tf. thu thập_nd để biết chi tiết Đối số ______1068A14. Phải là một trong các loại sau. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0071, >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0072. tenxơ chỉ số. 47Tên cho hoạt động (tùy chọn). ReturnsA 14. Có cùng loại với >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0067 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 076Xem nguồn 8 Bí danh của >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0077 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 078Xem nguồn 9 Trả về giá trị của biến được khởi tạo. (không dùng nữa) Không dùng nữa. CHỨC NĂNG NÀY KHÔNG ĐƯỢC DÙNG. Nó sẽ được gỡ bỏ trong một phiên bản tương lai. Hướng dẫn cập nhật. Sử dụng biến. read_value. Các biến trong 2. X được khởi tạo tự động cả trong háo hức và đồ thị (bên trong tf. defun) bối cảnh.Bạn nên sử dụng cái này thay vì chính biến đó để khởi tạo một biến khác có giá trị phụ thuộc vào giá trị của biến này >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.000ReturnsA 14 giữ giá trị của biến này sau khi trình khởi tạo của nó chạy >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 080Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.001 Tải giá trị mới vào biến này. (không dùng nữa) Không dùng nữa. CHỨC NĂNG NÀY KHÔNG ĐƯỢC DÙNG. Nó sẽ được gỡ bỏ trong một phiên bản tương lai. Hướng dẫn cập nhật. thích biến. gán có hành vi tương đương trong 2. X.Ghi giá trị mới vào bộ nhớ của biến. Không thêm hoạt động vào biểu đồ Phương thức tiện lợi này yêu cầu một phiên trong đó biểu đồ chứa biến này đã được khởi chạy. Nếu không có phiên nào được thông qua, phiên mặc định sẽ được sử dụng. Xem >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0059 để biết thêm thông tin về cách khởi chạy biểu đồ và về các phiên >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.002Args____1003Giá trị biến mới >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0060Phiên sử dụng để đánh giá biến này. Nếu không, phiên mặc định được sử dụng. Raises 78Phiên không được thông qua và không có phiên mặc định >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 008Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.003 Trả về giá trị của biến này, đọc trong ngữ cảnh hiện tại Có thể khác với giá trị () nếu trên thiết bị khác, có phụ thuộc điều khiển, v.v. ReturnsA14 chứa giá trị của biến >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 087Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.004 Trả về một đối tượng tham chiếu có thể băm cho Biến này Trường hợp sử dụng chính cho API này là đặt các biến trong một bộ/từ điển. Chúng tôi không thể đặt các biến trong một bộ/từ điển vì >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0088 không còn khả dụng kể từ Tensorflow 2. 0 Sau đây sẽ đưa ra một ngoại lệ bắt đầu từ 2. 0 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.005 Thay vào đó, chúng ta có thể sử dụng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0089 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.006 Ngoài ra, đối tượng tham chiếu cung cấp hàm >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0090 trả về Biến ban đầu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.007 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 091Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.008 Thêm >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 vào biến nàyArgs____1042 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 được thêm vào biến này. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0005Nếu 34, sử dụng khóa trong quá trình vận hành. 47tên của hoạt động. ReturnsBiến được cập nhật. Tăng______1047nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0042 không phải là >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0049 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 401Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.009 Chia biến này cho >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029Args____1042 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 để chia biến này cho. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0005Nếu 34, sử dụng khóa trong quá trình vận hành. 47tên của hoạt động. ReturnsBiến được cập nhật. Tăng______1047nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0042 không phải là >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0049 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 411Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.040 Cập nhật biến này với giá trị tối đa là >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 và chính nóArgs____1042 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 để sử dụng làm đối số của max với biến này. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0005Nếu 34, sử dụng khóa trong quá trình vận hành. 47tên của hoạt động. ReturnsBiến được cập nhật. Tăng______1047nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0042 không phải là >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0049 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 421Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.041 Cập nhật biến này với giá trị nhỏ nhất của >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 và chính nóArgs____1042 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 để sử dụng làm đối số của min với biến này. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0005Nếu 34, sử dụng khóa trong quá trình vận hành. 47tên của hoạt động. ReturnsBiến được cập nhật. Tăng______1047nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0042 không phải là >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0049 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 431Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.042 Nhân biến này với >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029Args____1042 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 để nhân biến này với. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0005Nếu 34, sử dụng khóa trong quá trình vận hành. 47tên của hoạt động. ReturnsBiến được cập nhật. Tăng______1047nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0042 không phải là >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0049 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 441Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.043 Áp dụng phép cộng thưa thớt cho các giá trị hoặc lát riêng lẻ trong Biến Biến có thứ hạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0442 và >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068 là một 14 của thứ hạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0445 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068 phải là tensor nguyên, chứa các chỉ số vào self. Nó phải có hình dạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0447 trong đó >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0448 Chiều trong cùng của >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068 (có chiều dài >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0450) tương ứng với các chỉ số thành phần tử (nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0451) hoặc lát (nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0452) dọc theo chiều thứ >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0450 của chính nó >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0454 là 14 của hạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0456 với hình dạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.044 Ví dụ: giả sử chúng tôi muốn thêm 4 phần tử phân tán vào tenxơ hạng 1 thành 8 phần tử. Trong Python, bản cập nhật đó sẽ như thế này >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.045 Bản cập nhật kết quả cho v sẽ như thế này >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.046 Xem >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0457 để biết thêm chi tiết về cách cập nhật lát cắtArgs >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068Các chỉ số được sử dụng trong hoạt động. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0454Các giá trị được sử dụng trong hoạt động. 47tên của hoạt động. ReturnsBiến được cập nhật >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 461Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.047 Áp dụng phép trừ thưa thớt cho các giá trị hoặc lát cắt riêng lẻ trong Biến Giả sử biến có thứ hạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0442 và >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068 là một 14 của thứ hạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0445 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068 phải là tensor nguyên, chứa các chỉ số vào self. Nó phải có hình dạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0447 trong đó >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0448 Chiều trong cùng của >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068 (có chiều dài >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0450) tương ứng với các chỉ số thành phần tử (nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0451) hoặc lát (nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0452) dọc theo chiều thứ >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0450 của chính nó >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0454 là 14 của hạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0456 với hình dạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.044 Ví dụ: giả sử chúng tôi muốn thêm 4 phần tử phân tán vào tenxơ hạng 1 thành 8 phần tử. Trong Python, bản cập nhật đó sẽ như thế này >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.049 Sau khi cập nhật >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0477 sẽ như thế này >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.080 Xem >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0457 để biết thêm chi tiết về cách cập nhật lát cắtArgs >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068Các chỉ số được sử dụng trong hoạt động. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0454Các giá trị được sử dụng trong hoạt động. 47tên của hoạt động. ReturnsBiến được cập nhật >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 482Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.081 Áp dụng phép gán thưa thớt cho các giá trị hoặc lát riêng lẻ trong Biến Biến có thứ hạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0442 và >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068 là một 14 của thứ hạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0445 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068 phải là tensor nguyên, chứa các chỉ số vào self. Nó phải có hình dạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0447 trong đó >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0448 Chiều trong cùng của >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068 (có chiều dài >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0450) tương ứng với các chỉ số thành phần tử (nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0451) hoặc lát (nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0452) dọc theo chiều thứ >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0450 của chính nó >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0454 là 14 của hạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0456 với hình dạng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.044 Ví dụ: giả sử chúng tôi muốn thêm 4 phần tử phân tán vào tenxơ hạng 1 thành 8 phần tử. Trong Python, bản cập nhật đó sẽ như thế này >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.083 Bản cập nhật kết quả cho v sẽ như thế này >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.084 Xem >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0457 để biết thêm chi tiết về cách cập nhật lát cắtArgs >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0068Các chỉ số được sử dụng trong hoạt động. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0454Các giá trị được sử dụng trong hoạt động. 47tên của hoạt động. ReturnsBiến được cập nhật >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 802Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.085 Trừ đi >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 từ biến nàyArgs____1042 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 được trừ khỏi biến này. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0005Nếu 34, sử dụng khóa trong quá trình vận hành. 47tên của hoạt động. ReturnsBiến được cập nhật. Tăng______1047nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0042 không phải là >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0049 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 038Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.086 Gán >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 cho biến nàyArgs____1042 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0029 được gán cho biến này. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0005Nếu 34, sử dụng khóa trong quá trình vận hành. 47tên của hoạt động. ReturnsBiến được cập nhật. Tăng______1047nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0042 không phải là >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0049 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 822Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.087 Ghi đè hình dạng cho biến này Args15the 97 đại diện cho hình dạng bị ghi đè >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 825Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.088 Tập hợp các lát cắt từ trục params theo các chỉ số Chức năng này hỗ trợ một tập hợp con của tf. thu thập, xem tf. thu thập để biết chi tiết về cách sử dụng Args____1068Chỉ số14. Phải là một trong các loại sau. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0071, >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0072. Phải nằm trong phạm vi >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0830. 47Tên cho hoạt động (tùy chọn). ReturnsA 14. Có cùng loại với >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0067 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 834Xem nguồn >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.089 Chuyển đổi một bộ đệm giao thức 16 thành một 50Args____1837Tùy chọn 58. Tên phạm vi để loại bỏ. ReturnsMột bộ đệm giao thức 50 hoặc 45 nếu 16 không nằm trong phạm vi tên được chỉ định >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 003Xem nguồn >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.000 Trả về ảnh chụp nhanh cuối cùng của biến này Bạn thường không cần gọi phương thức này vì tất cả các op cần giá trị của biến sẽ tự động gọi nó thông qua lệnh gọi >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0843 Trả về một 14 giữ giá trị của biến. Bạn không thể gán giá trị mới cho tenxơ này vì nó không phải là tham chiếu đến biến Để tránh các bản sao, nếu người tiêu dùng của giá trị trả về ở trên cùng một thiết bị với biến, điều này thực sự trả về giá trị trực tiếp của biến, không phải bản sao. Các cập nhật cho biến được người tiêu dùng nhìn thấy. Nếu người tiêu dùng đang sử dụng một thiết bị khác, nó sẽ nhận được một bản sao của biến ReturnsA14 chứa giá trị của biến >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 846Xem nguồn >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.001 Tính giá trị tuyệt đối của tenxơ Cho trước một tenxơ gồm các giá trị số nguyên hoặc dấu phẩy động, thao tác này trả về một tenxơ cùng loại, trong đó mỗi phần tử chứa giá trị tuyệt đối của phần tử tương ứng trong đầu vào Cho trước một tenxơ >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0847 của các số phức, thao tác này trả về một tenxơ loại >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0848 hoặc >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0849 là giá trị tuyệt đối của mỗi phần tử trong >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0847. Đối với một số phức \(a + bj\), giá trị tuyệt đối của nó được tính là \(\sqrt{a^2 + b^2}\) Ví dụ>>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.002 >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.003Args >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0847A 14 hoặc >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0853 thuộc loại >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0854, >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0848, >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0849, >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0071, >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0072, >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0859 hoặc >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0860. 47Tên cho hoạt động (tùy chọn). ReturnsA 14 hoặc >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0853 có cùng kích thước, loại và độ thưa thớt như >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0847, với các giá trị tuyệt đối. Lưu ý, đối với đầu vào >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0859 hoặc >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0860, 14 được trả về sẽ thuộc loại >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0848 hoặc >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0849 tương ứng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 870Xem nguồn >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.004 Thao tác được gọi bởi toán tử >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0871Mục đích trong API Phương thức này được hiển thị trong API của TensorFlow để các nhà phát triển thư viện có thể đăng ký gửi cho >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0871 để cho phép nó xử lý các tenxơ tổng hợp tùy chỉnh và các đối tượng tùy chỉnh khác Biểu tượng API không được người dùng gọi trực tiếp và xuất hiện trong tài liệu do TensorFlow tạo ra Args______1847Vế trái của toán tử>>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0874. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0875Vế phải của toán tử >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0874. 47một tên tùy chọn cho hoạt động. Trả về Kết quả của hoạt động phần tử khôn ngoan ________ 1874 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 879Xem nguồn >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.005 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 880Xem nguồn >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.006 Chia x / y theo từng phần tử (sử dụng ngữ nghĩa toán tử chia Python 2). (không dùng nữa) Không dùng nữa. CHỨC NĂNG NÀY KHÔNG ĐƯỢC DÙNG. Nó sẽ được gỡ bỏ trong một phiên bản tương lai. Hướng dẫn cập nhật. Không dùng nữa để ủng hộ toán tử hoặc tf. môn Toán. chia.Hàm này chia >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0847 và >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0875, buộc Python 2 ngữ nghĩa. Nghĩa là, nếu >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0847 và >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0875 đều là số nguyên thì kết quả sẽ là số nguyên. Điều này trái ngược với Python 3, trong đó phép chia với >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0885 luôn là số float trong khi phép chia với >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0886 luôn là số nguyênArgs >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0847 14 tử số của kiểu số thực. >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0875 14 mẫu số của kiểu số thực. 47Tên cho hoạt động (tùy chọn). Returns >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0892 trả về thương của x và y Di chuyển sang TF2Chức năng này không được dùng trong TF2. Thích sử dụng toán tử chia Tensor, >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0893 hoặc >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0894, tuân theo ngữ nghĩa của toán tử chia Python 3 >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 895Xem nguồn >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.007 So sánh hai biến yếu tố khôn ngoan cho bình đẳng >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0 896Xem nguồn >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.008 Chia >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0892 theo nguyên tố, làm tròn về số nguyên âm nhất Về mặt toán học, điều này tương đương với sàn(x / y). Ví dụ. tầng (8. 4/4. 0) = sàn(2. 1) = 2. 0 tầng(-8. 4/4. 0) = sàn(-2. 1) = -3. 0 Điều này tương đương với toán tử '//' trong Python 3. 0 trở lên Note:>>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0847 and >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0875 must have the same numeric type. If the inputs are floating point, the output will have the same type. If the inputs are integral, the inputs are cast to >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0848 for >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0016 and >>> df.assign(temp_f=df['temp_c'] * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0015 and >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0849 for >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0071 and >>> df.assign(temp_f=lambda x: x.temp_c * 9 / 5 + 32) temp_c temp_f Portland 17.0 62.6 Berkeley 25.0 77.0072 (matching the behavior of Numpy). Đối tượng gán() hoạt động như thế nào?Đối tượng. phương thức gán() chỉ sao chép các thuộc tính có thể đếm được và thuộc tính riêng từ đối tượng nguồn sang đối tượng đích . Nó sử dụng [[Get]] trên nguồn và [[Set]] trên đích, vì vậy nó sẽ gọi getters và setters. Do đó, nó gán thuộc tính, so với sao chép hoặc xác định thuộc tính mới.
Đối tượng gán có tạo tham chiếu mới không?chỉ định. Vì vậy, sao chép một biến đối tượng sẽ tạo thêm một tham chiếu đến cùng một đối tượng . |