python-numpy库学习笔记六 numpy的统计函数和梯度函数

最新推荐文章于 2024-05-31 17:59:35 发布

dieluo2012

最新推荐文章于 2024-05-31 17:59:35 发布

阅读量962

点赞数 1

CC 4.0 BY-SA版权

分类专栏：笔记 python numpy 文章标签： python numpy

本文链接：https://blog.csdn.net/dieluo2012/article/details/100064883

笔记同时被 3 个专栏收录

12 篇文章

订阅专栏

python

5 篇文章

订阅专栏

numpy

5 篇文章

订阅专栏

numpy的统计函数

numpy直接提供统计类函数
np.std()
np.var()
np.average()

numpy的统计函数（1）

在这里插入图片描述
Axis=none是统计函数的标配参数

import numpy as np
a=np.arange(15).reshape(3,5)
print(a)
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
print(np.sum(a))   #对数组内所有元素求和
105
print(np.sum(a,axis=0))
[15 18 21 24 27]
#对数组内行列求和，axis=0，数组列求和，axis=1，数组行求和
print(np.sum(a,axis=1))
[10 35 60]
print(np.average(a))        #对数组内所有元素求平均值
7.0
print(np.average(a,axis=0))        #对数组内列进行加权平均
[5. 6. 7. 8. 9.]
print(np.average(a,axis=1))        #对数组内行进行加权平均
[ 2.  7. 12.]
print(np.std(a))        #对数组求标准差
4.320493798938574
print(np.std(a,axis=0))        #对数组的列求标准差
[4.0824829 4.0824829 4.0824829 4.0824829 4.0824829]
print(np.std(a,axis=1))        #对数组的行求标准差
[1.41421356 1.41421356 1.41421356]

print(np.var(a))            #对数组进行求方差
18.666666666666668
print(np.var(a,axis=0))            #对数组的列进行求方差
[16.66666667 16.66666667 16.66666667 16.66666667 16.66666667]
print(np.var(a,axis=1))            #对数组的行进行求方差
[2. 2. 2.]

numpy的统计函数（2）

在这里插入图片描述

import numpy as np
a=np.random.randint(1,100,(3,4))
print(a)
[[42 11  9 84]
 [57 94 64 93]
 [85  3 41 38]]
print(np.max(a))  #数组中最大值
94
print(np.min(a))       #数组中的最小值
3
print(np.argmax(a))     #返回数组扁平化之后，最大值的下标
5
print(np.argmin(a))     #返回数组扁平化之后，最小值的下标
9
print(np.unravel_index(np.argmax(a),(2,6)))  #将a扁平化后的最大值小标，转化为结构为（2,6）的下标。
(0, 5)

print(np.ptp(a))            #返回最大值与最小值的差
91
print(np.median(a))     #返回数组a中元素的中位数（中值）
49.5

numpy的梯度函数

在这里插入图片描述
**

- 一维数组的梯度

**
在这里插入图片描述

import numpy as np
a=np.random.randint(1,20,(8))
print(a)
[17 12  2  7 12 17  9 11]
b=np.gradient(a)
print(b)
[-5.  -7.5 -2.5  5.   5.  -1.5 -3.   2. ]

二维数组的梯度

**
在这里插入图片描述

import numpy as np
a=np.random.randint(1,20,(3,5))
print(a)
[[ 6  3 12  3  7]
 [19  2  6  3 18]
 [ 7  3 19  2  8]]
b=np.gradient(a)
print(b)
[array([[ 13. ,  -1. ,  -6. ,   0. ,  11. ],
       [  0.5,   0. ,   3.5,  -0.5,   0.5],
       [-12. ,   1. ,  13. ,  -1. , -10. ]]), 
 array([[ -3. ,   3. ,   0. ,  -2.5,   4. ],
       [-17. ,  -6.5,   0.5,   6. ,  15. ],
       [ -4. ,   6. ,  -0.5,  -5.5,   6. ]])]