NumPy统计函数
精华
小牛编辑
189浏览
2023-03-14
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。
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。
图1:axis轴 示例如下:
示例如下:
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:
图1:方差公式 示例如下:
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:- amin() 沿指定的轴,查找数组中元素的最小值,并以数组形式返回;
- amax() 沿指定的轴,查找数组中元素的最大值,并以数组形式返回。
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。
图1:axis轴
import numpy as np a = np.array([[3,7,5],[8,4,3],[2,4,9]]) print ('数组a是:') print(a) #amin()函数 print (np.amin(a)) #调用 amin() 函数,axis=1 print(np.amin(a,1)) #调用amax()函数 print(np.amax(a)) #再次调用amax()函数 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)。import numpy as np a = np.array([[2,10,20],[80,43,31],[22,43,10]]) print("原数组",a) print("沿着axis 1:",np.ptp(a,1)) 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:- a:输入数组;
- q:要计算的百分位数,在 0~100 之间;
- axis:沿着指定的轴计算百分位数。
示例如下:
import numpy as np a = np.array([[2,10,20],[80,43,31],[22,43,10]]) print("数组a:",a) print("沿着axis=0计算百分位数",np.percentile(a,10,0)) 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):import numpy as np a = np.array([[30,65,70],[80,95,10],[50,90,60]]) #数组a: print(a) #median() print np.median(a) #axis 0 print np.median(a, axis = 0) #axis 1: 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: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 ('调用 mean() 函数:') print (np.mean(a)) print ('沿轴 0 调用 mean() 函数:') print (np.mean(a, axis = 0)) print ('沿轴 1 调用 mean() 函数:') 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:import numpy as np a = np.array([1,2,3,4]) print('a数组是:') print(a) #average()函数: print (np.average(a)) # 若不指定权重相当于对数组求均值 we = np.array([4,3,2,1]) #调用 average() 函数:') print(np.average(a,weights = we)) #returned 为Ture,则返回权重的和 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:
import numpy as np a = np.arange(6).reshape(3,2) #多维数组a print (a) #修改后数组 wt = np.array([3,5]) print (np.average(a, axis = 1, weights = wt)) #修改后数组 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):图1:方差公式
import numpy as np 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:import numpy as np print (np.std([1,2,3,4]))输出结果:
1.1180339887498949