numpy 学习汇总18.1 - 统计函数( 基础学习 tcy)
发布日期:2021-06-29 14:47:49
浏览次数:3
分类:技术文章
本文共 3652 字,大约阅读时间需要 12 分钟。
统计函数 2018/11/22 2018/11/30===================================================================1.函数np.max()是np.amax的别名np.amax(a, axis=None, out=None, keepdims=, initial= ) #沿给定轴的数组的最大值,传播任何NaN。np.nanmax(a, axis=None, out=None, keepdims= < novalue >): #沿给定轴的数组的最大值,忽略任何NaN。np.fmax(*args, **kwargs) : #元素最多两个数组,忽略任何NaN。np.maximum(*args, **kwargs) :#元素最多两个数组,传播任何NaN。np.amin/np.min,np.nanmin;np.minimum,np.fmin #最小值 (详解见本人博文'max,amax,nanmax,fmax,maximum的区别')np.argmax(a,axis = None,out = None ) #返回沿轴首最大值索引;默认索引将放入展平数组中np.ptp(axis=None,out=None) #沿给定轴的峰到峰(最大值-最小值) 值。np.clip(min=None, max=None,out=None ) #返回值限于[min, max] 数组。必须给出最大或最小值之一==================================================================== 2.1取范围a = np.arange(10)np.clip(a,1,8) # array([1, 1, 2, 3, 4, 5, 6, 7, 8, 8]) a # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) np.clip(a,3,6, out = a)a # array([3, 3, 3, 3, 4, 5, 6, 6, 6, 6]) a = np.arange(10) # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])np.clip(a, [3,4,1,1,1,4,4,4,4,4],8) # array([3, 4, 2, 3, 4, 5, 6, 7, 8, 8]) # sum,mean 及std等聚合计算通常叫做约简 可做实例方法 , 也可做顶级NumPy 函数使用======================================================================2.2计算总和x = np.array([[1,2], [3,4]])x.sum()#10x.sum(axis= 0) #按列求和 # array([4, 6])x.sum(axis=1) #按行求和 # array([3, 7])x[:,0].sum() #第一列求和 # 4x[0,:].sum() #第一行求和 # (3, 7)# cumsum和cumprod方法不聚合而是产生一个中间结果组成的数组:x.cumsum() #array([ 1, 3, 6, 10], dtype=int32)x.cumsum( 0) #array([[ 1, 2],[ 4, 6]], dtype=int32)x.cumsum(1) #array([[ 1, 3], [ 3, 7]], dtype=int32)x.cumprod() #array([1, 2, 6, 24], dtype=int32)======================================================================2.3.极值:
x = np.array([1,3,2])x.min() # 1x.max() # 3x.argmin() # 最小值索引# 0x.argmax() # 最大值索引 # 1np.ptp(x) # 2=max-min======================================================================2.4.统计:
from scipy import statsnp.set_printoptions(precision=2,suppress=True) #设置浮点精度 np.random.seed(1)x= np.random.randn(3, 4) #正态分布的数据wts1 = np.array([4,3,2,1]) #权重 #均值x.mean() #-0.1307868067094732x.mean(axis=0) # array([ 0.94, -1.05, 0.89, -1.3 ]) #加权平均数np.average(x,weights = wts1,axis=1)# array([ 0.25, -0.07, 0.14])u,s=np.average(x,weights = [3,2,1], returned = True,axis=0)u # array([ 1.15, -1.11, 0.56, -1.13])s # array([6., 6., 6., 6.]))#权重和 #中位数np.median(x) # -0.3887710638704329np.median(x, axis=1) # array([-0.57, 0.05, 0.03]) #众数stats.mode(x)[0][0] # array([ 0.32, -2.3 , -0.53, -2.06]) # 标准差,方差x.std() # 1.305546955511153np.var(x) # 1.7044528530444403 np.set_printoptions(precision=8,suppress=False) #恢复默认设置
====================================================================== 3.附录:统计函数
No | 函数 | 说明 |
1 | all([axis,out, keepdims]) | 如果所有元素评估为 True,则返回True。 |
2 | any([axis,out,keepdims]) | 如果任何元素,则返回true 一个评估为True。 |
3 | argmax( [axis,out]) | 沿给定轴返回最大值的索引。 |
4 | argmin ([axis, out]) | 返回最小值的索引沿给定轴线一个。 |
5 | clip([min,max,out]) | 返回值限于的数组。 [min, max] |
6 | conj() | 复合共轭所有元素。 |
7 | cumprod([axis,dtype,out]) | 所有元素的累计积 |
8 | cumsum ( [axis ,dtype,out] ) | 所有元素的累计和 |
9 | mean( [axis ,dtype,out,keepdims] ) | 算术平均数。零长度的数组的mean 为NaN |
10 | min([axis,out ,keepdims]) /max | 沿给定的轴返回最小值/最大值 |
11 | prod([axis,dtype, out,keepdims]) | 返回给定轴上的数组元素的乘积 |
12 | ptp ( [axis, out]) | 沿给定轴的峰到峰(最大值 - 最小值)值。 |
13 | round( [ point,out]) | 元素舍入到给定的小数位数后返回 a |
14 | std([axis,dtype,out,ddof,keepdims]) | 返回给定轴上数组元素的标准偏差。 |
15 | sum ( [axis, dtype,out, keepdims]) | 对数组中全部或某轴元素求和。 |
16 | trace ([offset, axis1 ,axis2, dtype, out]) | 返回沿数组对角线的和。 |
17 | var ([axis, dtype,out, ddof ,keepdims]) | 方差,自由度可调(默认为n) |
转载地址:https://chunyou.blog.csdn.net/article/details/84642573 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!
发表评论
最新留言
路过,博主的博客真漂亮。。
[***.116.15.85]2024年04月03日 22时26分59秒
关于作者
喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!
推荐文章
【Python爬虫实战】知乎热榜数据采集,上班工作摸鱼两不误,知乎热门信息一网打尽
2019-04-29
Python抓取哔哩哔哩up主信息:只要爬虫学的好,牢饭吃的早
2019-04-29
有个码龄5年的程序员跟我说:“他连wifi从来不用密码”
2019-04-29
领导让我整理上个季度的销售额,幸好我会Python数据分析,你猜我几点下班
2019-04-29
【Python爬虫实战】为何如此痴迷Python?还不是因为爱看小姐姐图
2019-04-29
零基础自学Python,你也可以实现经济独立!
2019-04-29
数字化转型的主干道上,华为云以“三大关键”成企业智能化推手
2019-04-29
数字化为何不走“捷”“径”?
2019-04-29
和总裁、专家交朋友,华为云助推政企智能化升级又做到前面去了
2019-04-29
BCOP章鱼船长,6月22日晚上8点上线薄饼
2019-04-29
为战疫助力,半导体功不可没
2019-04-29
了解这些操作,Python中99%的文件操作都将变得游刃有余!
2019-04-29
知道如何操作还不够!深入了解4大热门机器学习算法
2019-04-29
只有经历过,才能深刻理解的9个编程道理
2019-04-29
发现超能力:这些数据科学技能助你更高效专业
2019-04-29
AI当道,人工智能将如何改变金融业?
2019-04-29
消除性别成见,技术领域需要更多“乘风破浪的姐姐”
2019-04-29
7行代码击败整个金融业,这对20多岁的爱尔兰兄弟是如何做到的?
2019-04-29