numpy的数字统计函数

三：numpy的数字统计函数:
  1.numpy有哪些数学统计函数：
     （1）np.sum    -------所有元素的和
     （2）np.prod   -------所有元素的乘积
     （3）np.cumsum -------元素的累积加和
     （4）np.cumprod-------元素的累积乘积
     （5）np.min    -------最小值
     （6）np.max    -------最大值
     （7）np.percentile      -----0——100百分数
     （8）np.quantile        -----0——1分位数
     （9）np.median         ------中位数
     （10）np.average       ------加权平均，参数可以指定weights
     （11）np.mean          ------平均值
     （12）np.std           ------标准差
     （13）np.var           -----方差
2.怎么实现按不同的axis计算（以上函数，都有一个参数叫做axis用于指定计算轴为行还是列，如果不指定，那么会计算所有元素的结果）
3.实例：机器学习将数据进行标准化
   A=(A-mean(A,axis=0))/std(A,axis=0)
1b:
  

 import numpy as np
   arr=np.arange(12).reshape(3,4)   #array([[0,1,2,3],[4,5,6,7],[8,9,10,11]])
   np.sum(arr)    #66
   np.prod(arr)  #0
   np.comsum(arr)   #array([0,1,3,6,10,15,21,28,36,45,55,66],dtype=int32)
   np.cumprod(arr)   #array([0,0,0,0,0,0,0,0,0,0,0,0],dtype=int32)
   np.min(arr)       #0
   np.max(arr)       #11
   np.percentile(arr,[25,50,75])    #我的理解他会将arr排序，找到25%,50%,75%的数字  
#2.75,5.5,8.25
   np.quantile(arr,[0.25,0.5,0.75])   #2.75,5.5,8.25
   np.mean(arr)   #5.5
   np.std(arr)   #标准差 3.4520
   np.var(arr)    #方差 11.916666
   #weights的shape需要和arr一样
   weights=np.random.rand(*arr.shape)   #确保weights类型和arr类型一致
   np.average(arr,weights=weights)    #加权平均

2b:
   axis=0代表行，axis=1代表列
   但是对于sum/mean/media等聚合函数：axis=0代表把行消解掉，axis=1代表把列消解掉。axis=0代表跨行计算，axis=1代表跨列计算
 

  arr    #array([[0,1,2,3],[4,5,6,7],[8,9,10,11]])
  arr.sum(axis=0)   #array([12,15,18,21])
  arr.sum(axis=1)   #array([6,22,38])
  arr.cumsum(axis=0)  #array([[0,1,2,3],[4,6,8,10],[12,15,18,21]])
  arr.cumsum(axis=1)   #array([[0,1,3,6],[4,9,15,22],[8,17,21,38]])

3b:
   arr=np.arange(12).reshape(3,4)
   #arr如果对应到现实世界的一种解释，行：每行对应一个样本数据。列：每列代表样本的一个特征（就是三个样本，四个特征）
   #数据标准化：对于机器学习，神经网路来说，不同列的量纲应该相同，训练收敛的更快；比如商品价格是0到100元，销量是1万到10万个，这俩数字没有可比性（一个只有100.另外一个9万），因此需要先都做标准化；
   #不同列代表不同的特征，因此需要axis=0做计算，标准化一般使用A=(A-mean（A,axis=0））/std(A,axis=0)公式进行
  

#计算每列的均值
mean=np.mean(arr,axis=0)    #[4,5,6,7]
#计算每列的标准差
std=np.std(arr,axis=0)
#计算分子，注意每行都会分别减去[4,5,6,7]这叫做numpy的广播
fenzi=arr-mean
result=fenzi/std

用随机数在试一下：
  

arr2=np.random.randint(1,100,size=(3,4))
result=(arr2-np.mean(arr2,axis=0))/np.std(arr2,axis=0)

四：numpy实现数组中满足条件个数的计算：
  需求：有一个非常大的数组比如一亿个数字，求出里面数字小于5000的数字数目
  （1）使用numpy的rendom模块生成1亿个数字
       

import numpy as np
arr=np.random.randint(1,10000,size=int(1e8))

  (2)使用python的原生语法实现
       

 pyarr=list(arr)
 len([x for x in pyarr if x>5000])     
 %timeit len([x for x in pyarr if x>5000])   #记一下时间

（3）使用numpy的向量化操作实现：
       

arr[arr>5000].size
%timeit arr[arr>5000].size

最后

以上就是平常镜子为你收集整理的numpy的数字统计函数的全部内容，希望文章能够帮你解决numpy的数字统计函数所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。