其他分享
首页 > 其他分享> > 18.NumPy统计函数

18.NumPy统计函数

作者:互联网

NumPy 提供了许多统计功能的函数,比如查找数组元素的最值、百分位数、方差以及标准差等。

numpy.amin() 和 numpy.amax()

这两个函数用于计算数组沿指定轴的最小值与最大值:


对于二维数组来说,axis=1 表示沿着水平方向,axis=0 表示沿着垂直方向。

numpy axis
图1:axis轴

示例如下:

  1. import numpy as np
  2. a = np.array([[3,7,5],[8,4,3],[2,4,9]])
  3. print ('数组a是:')
  4. print(a)
  5. #amin()函数
  6. print (np.amin(a))
  7. #调用 amin() 函数,axis=1
  8. print(np.amin(a,1))
  9. #调用amax()函数
  10. print(np.amax(a))
  11. #再次调用amax()函数
  12. print(np.amax(a,axis=0))

输出结果如下所示:

我们的数组是:
[[3 7 5]
[8 4 3]
[2 4 9]]

调用amin()函数:
2

调用 amin(axis=1) 函数:
[3 3 2]

amax() 函数:
9
amax(axis=0) 函数:
[8 7 9]

numpy.ptp()

numpy.ptp() 用于计算数组元素中最值之差值,也就是(最大值 - 最小值)。

  1. import numpy as np
  2. a = np.array([[2,10,20],[80,43,31],[22,43,10]])
  3. print("原数组",a)
  4. print("沿着axis 1:",np.ptp(a,1))
  5. print("沿着axis 0:",np.ptp(a,0))

输出结果:

原数组 array:
[[ 2 10 20]
[80 43 31]
[22 43 10]]

沿着 axis 1: [18 49 33]
沿着 axis 0: [78 33 21]

numpy.percentile()

百分位数,是统计学中使用的一种度量单位。该函数表示沿指定轴,计算数组中任意百分比分位数,语法格式如下:

numpy.percentile(a, q, axis)

函数 numpy.percentile() 的参数说明:


示例如下:

  1. import numpy as np
  2. a = np.array([[2,10,20],[80,43,31],[22,43,10]])
  3. print("数组a:",a)
  4. print("沿着axis=0计算百分位数",np.percentile(a,10,0))
  5. print("沿着axis=1计算百分位数",np.percentile(a,10,1))

输出结果:

数组a:
[[ 2 10 20]
[80 43 31]
[22 43 10]]

沿着axis=0计算百分位数: [ 6.  16.6 12. ]
沿着axis=1计算百分位数: [ 3.6 33.4 12.4]

numpy.median()

numpy.median() 用于计算 a 数组元素的中位数(中值):

  1. import numpy as np
  2. a = np.array([[30,65,70],[80,95,10],[50,90,60]])
  3. #数组a:
  4. print(a)
  5. #median()
  6. print np.median(a)
  7. #axis 0
  8. print np.median(a, axis = 0)
  9. #axis 1:
  10. print(np.median(a, axis = 1))

输出结果如下:

数组a:
[[30 65 70]
[80 95 10]
[50 90 60]]
调用median()函数:
65.0
median(axis=0):
[ 50. 90. 60.]
median(axis=1):
[ 65. 80. 60.]

numpy.mean()

该函数表示沿指定的轴,计算数组中元素的算术平均值(即元素之总和除以元素数量)。示例如下:

  1. import numpy as np
  2. a = np.array([[1,2,3],[3,4,5],[4,5,6]])
  3. print ('我们的数组是:')
  4. print (a)
  5.  
  6. print ('调用 mean() 函数:')
  7. print (np.mean(a))
  8.  
  9. print ('沿轴 0 调用 mean() 函数:')
  10. print (np.mean(a, axis = 0))
  11.  
  12. print ('沿轴 1 调用 mean() 函数:')
  13. print (np.mean(a, axis = 1))

输出结果:

我们的数组是:
[[1 2 3]
[3 4 5]
[4 5 6]]

调用 mean() 函数:
3.6666666666666665

沿轴 0 调用 mean() 函数:
[2.66666667 3.66666667 4.66666667]

沿轴 1 调用 mean() 函数:
[2. 4. 5.]

numpy.average()

加权平均值是将数组中各数值乘以相应的权数,然后再对权重值求总和,最后以权重的总和除以总的单位数(即因子个数)。

numpy.average() 根据在数组中给出的权重,计算数组元素的加权平均值。该函数可以接受一个轴参数 axis,如果未指定,则数组被展开为一维数组。

下面举一个简单的示例:现有数组 [1,2,3,4] 和相应的权重数组 [4,3,2,1],它的加权平均值计算如下:

加权平均值=(1 * 4 + 2 * 3 + 3 * 2 + 4 * 1)/(4 + 3 + 2 + 1)

使用 average() 计算加权平均值,代码如下:

  1. import numpy as np
  2. a = np.array([1,2,3,4])
  3. print('a数组是:')
  4. print(a)
  5. #average()函数:
  6. print (np.average(a))
  7. # 若不指定权重相当于对数组求均值
  8. we = np.array([4,3,2,1])
  9. #调用 average() 函数:')
  10. print(np.average(a,weights = we))
  11. #returned 为Ture,则返回权重的和
  12. prin(np.average([1,2,3,4],weights = [4,3,2,1], returned = True))

输出结果:

a数组是:
[1 2 3 4]

无权重值时average()函数:
2.5

有权重值时average()函数:
2.0

元组(加权平均值,权重的和):
(2.0, 10.0)

在多维数组中,您也可以指定 axis 轴参数。示例如下:

  1. import numpy as np
  2. a = np.arange(6).reshape(3,2)
  3. #多维数组a
  4. print (a)
  5. #修改后数组
  6. wt = np.array([3,5])
  7. print (np.average(a, axis = 1, weights = wt))
  8. #修改后数组
  9. print (np.average(a, axis = 1, weights = wt, returned = True))

输出结果为:

多维数组a:
[[0 1]
[2 3]
[4 5]]

axis=1按水平方向计算:
[0.625 2.625 4.625]

修改后的数组:
(array([0.625, 2.625, 4.625]), array([8., 8., 8.]))

方差np.var() 

方差,在统计学中也称样本方差,如何求得方差呢?首先我们要知道全体样本的的平均值,然后再求得每个样本值与均值之差的平方和,最后对差的平方和求均值,公式如下(其中 n 代表元素个数):

方差公式
图1:方差公式

示例如下:

  1. import numpy as np
  2. print (np.var([1,2,3,4]))

输出结果:

1.25

标准差np.std()

标准差是方差的算术平方根,用来描述一组数据平均值的分散程度。若一组数据的标准差较大,说明大部分的数值和其平均值之间差异较大;若标准差较小,则代表这组数值比较接近平均值。它的公式如下:

std = sqrt(mean((x - x.mean())**2

NumPy 中使用 np.std() 计算标准差。示例如下:

  1. import numpy as np
  2. print (np.std([1,2,3,4]))

输出结果:

1.1180339887498949

标签:函数,18,print,数组,numpy,np,NumPy,axis
来源: https://www.cnblogs.com/55zjc/p/16544507.html