3-4numpy聚合操作和arg（索引）运算和排序

"""
numpy的聚合运算
"""
#生成100个0-0.99999之间的数
L=numpy.random.random(100)

numpy.sum(L)
numpy.min(L)
numpy.max(L)

X=numpy.arange(16).reshape(4,-1)
big_array=numpy.array([1,1,2,2,10])
numpy.sum(X,axis=0)#[24 28 32 36],求出的是每一列的和
numpy.sum(X,axis=1)#求出的是每一行的和
numpy.prod(X)#对矩阵中每一个元素都进行相乘
numpy.mean(X)#平均值
numpy.median(X)#中位数
numpy.percentile(big_array,q=50)#百分位
for percent in [0,25,50,75,100]:#我们比较关注的是0,25,50,75,100这几个百分位点
    print(numpy.percentile(big_array,q=percent))

numpy.var(big_array)#方差
numpy.std(big_array)#标准差

x=numpy.random.normal(0,1,size=1000000)#均值为0，方差为1

"""
numpy的arg（索引）运算
"""

x=numpy.random.normal(0,1,size=1000000)#均值为0，方差为1,有一百万值得随机向量

numpy.min(x)
numpy.argmin(x)#查看最小值的索引值是多少
numpy.argmax(x)
"""
排序和使用索引
"""
x=numpy.arange(16)
numpy.random.shuffle(x)#对x进行乱序排序
numpy.sort(x)#输出从小到大排序好，但是并未改变x本身
x.sort()#对x进行排序好
numpy.argsort(x)#将x排序好，输出的是排序好的索引值


X=numpy.random.randint(16,size=(4,4))#生成一个4*4矩阵，在0-15之间取值
numpy.sort(X)#将矩阵的每一行都排序好
numpy.sort(X,axis=0)#将矩阵的每一列都排序好
numpy.partition(x,3)#将大于3的都放在右边，小于3的都放在左边

最后

以上就是舒心心锁最近收集整理的关于3-4numpy聚合操作和arg（索引）运算和排序的全部内容，更多相关3-4numpy聚合操作和arg（索引）运算和排序内容请搜索靠谱客的其他文章。