NumPy 统计函数

NumPy 提供了很多统计函数，用于从数组中查找最小元素，最大元素，百分位标准差和方差等。 函数说明如下：

numpy.amin() 和 numpy.amax()

numpy.amin() 用于计算数组中的元素沿指定轴的最小值。

numpy.amax() 用于计算数组中的元素沿指定轴的最大值。

实例

import numpy as np a = np.array([[3,7,5],[8,4,3],[2,4,9]]) print ('我们的数组是：') print (a) print ('\n') print ('调用 amin() 函数：') print (np.amin(a,1)) print ('\n') print ('再次调用 amin() 函数：') print (np.amin(a,0)) print ('\n') print ('调用 amax() 函数：') print (np.amax(a)) print ('\n') print ('再次调用 amax() 函数：') print (np.amax(a, axis = 0))

输出结果为：

我们的数组是：

[[3 7 5]

 [8 4 3]

 [2 4 9]]

调用 amin() 函数：

[3 3 2]

再次调用 amin() 函数：

[2 4 3]

调用 amax() 函数：

9

再次调用 amax() 函数：

[8 7 9]

numpy.ptp()

numpy.ptp()函数计算数组中元素最大值与最小值的差（最大值 - 最小值）。

实例

import numpy as np a = np.array([[3,7,5],[8,4,3],[2,4,9]]) print ('我们的数组是：') print (a) print ('\n') print ('调用 ptp() 函数：') print (np.ptp(a)) print ('\n') print ('沿轴 1 调用 ptp() 函数：') print (np.ptp(a, axis = 1)) print ('\n') print ('沿轴 0 调用 ptp() 函数：') print (np.ptp(a, axis = 0))

输出结果为：

我们的数组是：

[[3 7 5]

 [8 4 3]

 [2 4 9]]

调用 ptp() 函数：

7

沿轴 1 调用 ptp() 函数：

[4 5 7]

沿轴 0 调用 ptp() 函数：

[6 3 6]

numpy.percentile()

百分位数是统计中使用的度量，表示小于这个值的观察值的百分比。 函数numpy.percentile()接受以下参数。

numpy.percentile(a, q, axis)

参数说明：

  • a: 输入数组
  • q: 要计算的百分位数，在 0 ~ 100 之间
  • axis: 沿着它计算百分位数的轴

首先明确百分位数：

第 p 个百分位数是这样一个值，它使得至少有 p% 的数据项小于或等于这个值，且至少有 (100-p)% 的数据项大于或等于这个值。

举个例子：高等院校的入学考试成绩经常以百分位数的形式报告。比如，假设某个考生在入学考试中的语文部分的原始分数为 54 分。相对于参加同一考试的其他学生来说，他的成绩如何并不容易知道。但是如果原始分数54分恰好对应的是第70百分位数，我们就能知道大约70%的学生的考分比他低，而约30%的学生考分比他高。

这里的 p = 70。

实例

import numpy as np a = np.array([[10, 7, 4], [3, 2, 1]]) print ('我们的数组是：') print (a) print ('调用 percentile() 函数：') # 50% 的分位数，就是 a 里排序之后的中位数 print (np.percentile(a, 50)) # axis 为 0，在纵列上求 print (np.percentile(a, 50, axis=0)) # axis 为 1，在横行上求 print (np.percentile(a, 50, axis=1)) # 保持维度不变 print (np.percentile(a, 50, axis=1, keepdims=True))

输出结果为：

我们的数组是：

[[10  7  4]

 [ 3  2  1]]

调用 percentile() 函数：

3.5

[6.5 4.5 2.5]

[7. 2.]

[[7.]

 [2.]]

numpy.median()

numpy.median() 函数用于计算数组 a 中元素的中位数（中值）

实例

import numpy as np a = np.array([[30,65,70],[80,95,10],[50,90,60]]) print ('我们的数组是：') print (a) print ('\n') print ('调用 median() 函数：') print (np.median(a)) print ('\n') print ('沿轴 0 调用 median() 函数：') print (np.median(a, axis = 0)) print ('\n') print ('沿轴 1 调用 median() 函数：') print (np.median(a, axis = 1))

输出结果为：

我们的数组是：

[[30 65 70]

 [80 95 10]

 [50 90 60]]

调用 median() 函数：

65.0

沿轴 0 调用 median() 函数：

[50. 90. 60.]

沿轴 1 调用 median() 函数：

[65. 80. 60.]

numpy.mean()

numpy.mean() 函数返回数组中元素的算术平均值。 如果提供了轴，则沿其计算。

算术平均值是沿轴的元素的总和除以元素的数量。

实例

import numpy as np a = np.array([[1,2,3],[3,4,5],[4,5,6]]) print ('我们的数组是：') print (a) print ('\n') print ('调用 mean() 函数：') print (np.mean(a)) print ('\n') print ('沿轴 0 调用 mean() 函数：') print (np.mean(a, axis = 0)) print ('\n') print ('沿轴 1 调用 mean() 函数：') print (np.mean(a, axis = 1))

输出结果为：

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()

numpy.average() 函数根据在另一个数组中给出的各自的权重计算数组中元素的加权平均值。

该函数可以接受一个轴参数。 如果没有指定轴，则数组会被展开。

加权平均值即将各数值乘以相应的权数，然后加总求和得到总体值，再除以总的单位数。

考虑数组[1,2,3,4]和相应的权重[4,3,2,1]，通过将相应元素的乘积相加，并将和除以权重的和，来计算加权平均值。

加权平均值 = (1*4+2*3+3*2+4*1)/(4+3+2+1)

实例

import numpy as np a = np.array([1,2,3,4]) print ('我们的数组是：') print (a) print ('\n') print ('调用 average() 函数：') print (np.average(a)) print ('\n') # 不指定权重时相当于 mean 函数 wts = np.array([4,3,2,1]) print ('再次调用 average() 函数：') print (np.average(a,weights = wts)) print ('\n') # 如果 returned 参数设为 true，则返回权重的和 print ('权重的和：') print (np.average([1,2,3, 4],weights = [4,3,2,1], returned = True))

输出结果为：

我们的数组是：

[1 2 3 4]

调用 average() 函数：

2.5

再次调用 average() 函数：

2.0

权重的和：

(2.0, 10.0)

在多维数组中，可以指定用于计算的轴。

实例

import numpy as np a = np.arange(6).reshape(3,2) print ('我们的数组是：') print (a) print ('\n') print ('修改后的数组：') wt = np.array([3,5]) print (np.average(a, axis = 1, weights = wt)) print ('\n') print ('修改后的数组：') print (np.average(a, axis = 1, weights = wt, returned = True))

输出结果为：

我们的数组是：

[[0 1]

 [2 3]

 [4 5]]

修改后的数组：

[0.625 2.625 4.625]

修改后的数组：

(array([0.625, 2.625, 4.625]), array([8., 8., 8.]))

标准差

标准差是一组数据平均值分散程度的一种度量。

标准差是方差的算术平方根。

标准差公式如下：

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

如果数组是 [1，2，3，4]，则其平均值为 2.5。 因此，差的平方是 [2.25,0.25,0.25,2.25]，并且其平均值的平方根除以 4，即 sqrt(5/4) ，结果为 1.1180339887498949。

实例

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

输出结果为：

1.1180339887498949

方差

统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数，即 mean((x - x.mean())** 2)。

换句话说，标准差是方差的平方根。

实例

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

输出结果为：

1.25

NumPy 统计函数

NumPy 提供了很多统计函数，用于从数组中查找最小元素，最大元素，百分位标准差和方差等。 函数说明如下：

numpy.amin() 和 numpy.amax()

numpy.amin() 用于计算数组中的元素沿指定轴的最小值。

numpy.amax() 用于计算数组中的元素沿指定轴的最大值。

实例

importnumpyasnpa = np.array([[3,7,5],[8,4,3],[2,4,9]])print('我们的数组是：')print(a)print('\n')print('调用 amin() 函数：')print(np.amin(a,1))print('\n')print('再次调用 amin() 函数：')print(np.amin(a,0))print('\n')print('调用 amax() 函数：')print(np.amax(a))print('\n')print('再次调用 amax() 函数：')print(np.amax(a, axis = 0))

输出结果为：

我们的数组是：[[375][843][249]]调用 amin()函数：[332]再次调用 amin()函数：[243]调用 amax()函数：9再次调用 amax()函数：[879]

numpy.ptp()

numpy.ptp()函数计算数组中元素最大值与最小值的差（最大值 - 最小值）。

实例

importnumpyasnpa = np.array([[3,7,5],[8,4,3],[2,4,9]])print('我们的数组是：')print(a)print('\n')print('调用 ptp() 函数：')print(np.ptp(a))print('\n')print('沿轴 1 调用 ptp() 函数：')print(np.ptp(a, axis = 1))print('\n')print('沿轴 0 调用 ptp() 函数：')print(np.ptp(a, axis = 0))

输出结果为：

我们的数组是：[[375][843][249]]调用 ptp()函数：7沿轴1调用 ptp()函数：[457]沿轴0调用 ptp()函数：[636]

numpy.percentile()

百分位数是统计中使用的度量，表示小于这个值的观察值的百分比。 函数numpy.percentile()接受以下参数。

numpy.percentile(a, q, axis)

参数说明：

  • a: 输入数组
  • q: 要计算的百分位数，在 0 ~ 100 之间
  • axis: 沿着它计算百分位数的轴

首先明确百分位数：

第 p 个百分位数是这样一个值，它使得至少有 p% 的数据项小于或等于这个值，且至少有 (100-p)% 的数据项大于或等于这个值。

举个例子：高等院校的入学考试成绩经常以百分位数的形式报告。比如，假设某个考生在入学考试中的语文部分的原始分数为 54 分。相对于参加同一考试的其他学生来说，他的成绩如何并不容易知道。但是如果原始分数54分恰好对应的是第70百分位数，我们就能知道大约70%的学生的考分比他低，而约30%的学生考分比他高。

这里的 p = 70。

实例

importnumpyasnpa = np.array([[10, 7, 4], [3, 2, 1]])print('我们的数组是：')print(a)print('调用 percentile() 函数：')# 50% 的分位数，就是 a 里排序之后的中位数print(np.percentile(a, 50))# axis 为 0，在纵列上求print(np.percentile(a, 50, axis=0))# axis 为 1，在横行上求print(np.percentile(a, 50, axis=1))# 保持维度不变print(np.percentile(a, 50, axis=1, keepdims=True))

输出结果为：

我们的数组是：[[1074][321]]调用 percentile()函数：3.5[6.54.52.5][7.2.][[7.][2.]]

numpy.median()

numpy.median() 函数用于计算数组 a 中元素的中位数（中值）

实例

importnumpyasnpa = np.array([[30,65,70],[80,95,10],[50,90,60]])print('我们的数组是：')print(a)print('\n')print('调用 median() 函数：')print(np.median(a))print('\n')print('沿轴 0 调用 median() 函数：')print(np.median(a, axis = 0))print('\n')print('沿轴 1 调用 median() 函数：')print(np.median(a, axis = 1))

输出结果为：

我们的数组是：[[306570][809510][509060]]调用 median()函数：65.0沿轴0调用 median()函数：[50.90.60.]沿轴1调用 median()函数：[65.80.60.]

numpy.mean()

numpy.mean() 函数返回数组中元素的算术平均值。 如果提供了轴，则沿其计算。

算术平均值是沿轴的元素的总和除以元素的数量。

实例

importnumpyasnpa = np.array([[1,2,3],[3,4,5],[4,5,6]])print('我们的数组是：')print(a)print('\n')print('调用 mean() 函数：')print(np.mean(a))print('\n')print('沿轴 0 调用 mean() 函数：')print(np.mean(a, axis = 0))print('\n')print('沿轴 1 调用 mean() 函数：')print(np.mean(a, axis = 1))

输出结果为：

我们的数组是：[[123][345][456]]调用 mean()函数：3.6666666666666665沿轴0调用 mean()函数：[2.666666673.666666674.66666667]沿轴1调用 mean()函数：[2.4.5.]

numpy.average()

numpy.average() 函数根据在另一个数组中给出的各自的权重计算数组中元素的加权平均值。

该函数可以接受一个轴参数。 如果没有指定轴，则数组会被展开。

加权平均值即将各数值乘以相应的权数，然后加总求和得到总体值，再除以总的单位数。

考虑数组[1,2,3,4]和相应的权重[4,3,2,1]，通过将相应元素的乘积相加，并将和除以权重的和，来计算加权平均值。

加权平均值=(1*4+2*3+3*2+4*1)/(4+3+2+1)

实例

importnumpyasnpa = np.array([1,2,3,4])print('我们的数组是：')print(a)print('\n')print('调用 average() 函数：')print(np.average(a))print('\n')# 不指定权重时相当于 mean 函数wts = np.array([4,3,2,1])print('再次调用 average() 函数：')print(np.average(a,weights = wts))print('\n')# 如果 returned 参数设为 true，则返回权重的和 print('权重的和：')print(np.average([1,2,3, 4],weights = [4,3,2,1], returned = True))

输出结果为：

我们的数组是：[1234]调用 average()函数：2.5再次调用 average()函数：2.0权重的和：(2.0,10.0)

在多维数组中，可以指定用于计算的轴。

实例

importnumpyasnpa = np.arange(6).reshape(3,2)print('我们的数组是：')print(a)print('\n')print('修改后的数组：')wt = np.array([3,5])print(np.average(a, axis = 1, weights = wt))print('\n')print('修改后的数组：')print(np.average(a, axis = 1, weights = wt, returned = True))

输出结果为：

我们的数组是：[[01][23][45]]修改后的数组：[0.6252.6254.625]修改后的数组：(array([0.625,2.625,4.625]), array([8.,8.,8.]))

标准差

标准差是一组数据平均值分散程度的一种度量。

标准差是方差的算术平方根。

标准差公式如下：

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

如果数组是 [1，2，3，4]，则其平均值为 2.5。 因此，差的平方是 [2.25,0.25,0.25,2.25]，并且其平均值的平方根除以 4，即 sqrt(5/4) ，结果为 1.1180339887498949。

实例

importnumpyasnpprint(np.std([1,2,3,4]))

输出结果为：

1.1180339887498949

方差

统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数，即 mean((x - x.mean())** 2)。

换句话说，标准差是方差的平方根。

实例

importnumpyasnpprint(np.var([1,2,3,4]))

输出结果为：

1.25

NumPy 统计函数的更多相关文章

  1. NumPy统计函数

    NumPy - 统计函数 NumPy 有很多有用的统计函数,用于从数组中给定的元素中查找最小,最大,百分标准差和方差等. 函数说明如下: numpy.amin() 和 numpy.amax() 这些函 ...

  2. 14、numpy——统计函数

    NumPy 统计函数 NumPy 提供了很多统计函数,用于从数组中查找最小元素,最大元素,百分位标准差和方差等. 函数说明如下:(沿哪条轴执行,就是是最后结果的形式) 1.numpy.amin() 和 ...

  3. NumPy——统计函数

    引入模块import numpy as np 1.numpy.sum(a, axis=None)/a.sum(axis=None) 根据给定轴axis计算数组a相关元素之和,axis整数或元组,不指定 ...

  4. Lesson17——NumPy 统计函数

    NumPy 教程目录 1 NumPy 统计函数 NumPy 提供了很多统计函数,用于从数组中查找最小元素,最大元素,百分位标准差和方差等. 函数说明如下 1.1 统计 method descripti ...

  5. 吴裕雄--天生自然Numpy库学习笔记：NumPy 统计函数

    NumPy 提供了很多统计函数,用于从数组中查找最小元素,最大元素,百分位标准差和方差等. numpy.amin() 用于计算数组中的元素沿指定轴的最小值. numpy.amax() 用于计算数组中的 ...

  6. 数据分析 大数据之路 四 numpy 2

    NumPy 数学函数 NumPy 提供了标准的三角函数:sin().cos().tan(import numpy as np a = np.array([0,30,45,60,90])print (' ...

  7. numpy学习笔记（三）

    (1)numpy的位操作 序号         操作及描述 1.      bitwise_and 对数组元素执行位与操作 2.      bitwise_or 对数组元素执行位或操作 3.      ...

  8. NumPy教程目录

    NumPy Ndarray对象 NumPy数组属性 NumPy数据类型 NumPy数组创建例程 NumPy来自现有数据的数组 NumPy来自数值范围的数组 NumPy切片和索引 NumPy - 高级索 ...

  9. Python之Numpy详细教程

    NumPy - 简介 NumPy 是一个 Python 包. 它代表 “Numeric Python”. 它是一个由多维数组对象和用于处理数组的例程集合组成的库. Numeric,即 NumPy 的前 ...

随机推荐

  1. Flex学习笔记-自定义菜单的显示细节

    icon <?xml version="1.0" encoding="utf-8"?> <s:Application xmlns:fx=&qu ...

  2. 利用STM32CubeMX之SPI

    现在我们继续使用STM32CubeMX来生成SPI工程.我们的硬件平台还是我们熟悉的STM32F103C8开发板. 设置时钟树中的配置 现在打开SPI的设置 如果想修改管脚的名字可以红色框中进行修改, ...

  3. 使用STM32的USART的同步模式Synchronous调戏SPI【usart模拟spi理论】

    [原创出品§转载请注明出处] 出处:http://www.cnblogs.com/libra13179/p/7064321.html 什么东西?? 我们先来看我们平常看到SPI的时序图(呵呵,要是忘记 ...

  4. FB4.6项目迁移到4.7时 embed报错问题

    问题: 从FB4.6或更早版本移植到4.7的项目Embed标签,比如 [Embed(source="assets/BtnPlay.png")]   ,会报错 解决 方案: 4.7E ...

  5. sqlserver中 事物 索引及视图

      事务 1.什么是事务 事务是一个不可分割的工作逻辑单元,它包含了一组数据库的操作命令,并且所有命令作为一个整体一起向系统提交或撤销操作请求,即要么都执行,要么都不执行 2.事务的4个属性 (1). ...

  6. List去重问题引出来的hashCode和equals方法

    一.List 里面是基本类型的去重问题 import java.util.ArrayList; import java.util.HashSet; import java.util.List; imp ...

  7. C++中文件读写的操作

    在C++中读读写文件一般指的就是磁盘中的文本文件和二进制文件: 文本文件:以字符序列组成的文件 二进制文件:由二进制组成的文件 读写文件采用ofstream和ifstream文件流,两者可用头文件&l ...

  8. [PHP]更新中间关联表数据的两种思路

    ---------------------------------------------------------------------------------------------------- ...

  9. python递归、collections系列以及文件操作进阶

    global log 127.0.0.1 local2 daemon maxconn log 127.0.0.1 local2 info defaults log global mode http t ...

  10. Eclipse绿豆沙护眼

    Window-->Preferences-->Editors——>Text Editors —— Background color 背景颜色向你推荐:色调:85.饱和度:123.亮度 ...