Python数据分析与展示:numpy统计函数与梯度函数-4

简介: Python数据分析与展示:numpy统计函数与梯度函数-4

numpy的统计函数

sum(a, axis=None) 根据轴计算元素和,axis整数或元组
mean(a, axis=None) 根据轴计算元素期望
average(a, axis=None, weights=None) 根据轴计算加权平均数
std(a, axis=None)根据轴计算标准差
var(a, axis=None) 根据轴计算方差 
min(a), max(a)   数组中最大值,最小值
argmin(a), argmax(a) 最大值,最小值降一维后下标
unravel_index(index, shape)根据shape将一维下标转为多维下标
ptp(a) 数组中最大值与最小值差
median(a) 数组中中位数(中值)

numpy的梯度函数


gradient(a) 计算数组的梯度
梯度:连续值之间的变化率,即斜率
XY坐标轴连续三个X坐标对应的Y轴值:a, b, c,其中,b的梯度是: (c‐a)/2
存在两侧值:b = (c‐a)/2
只有一侧值:c = (c‐b)/1

代码实例

# -*- coding: utf-8 -*-
# @File    : func_demo.py
# @Date    : 2018-05-06
import numpy as np
# 初始化测试多维数组
np.random.seed(10)
a = np.random.randint(1, 100, (3, 4))
print(a)
"""
[[10 16 65 29]
 [90 94 30  9]
 [74  1 41 37]]
"""
# 求和
b = np.sum(a)
print(b)  # 496
# 期望
c = np.mean(a, axis=1)
print(c)
# [30.   55.75 38.25]
# 加权平均数
d = np.average(a, axis=1, weights=[10, 5, 1, 1])
print(d)
# [16.11764706 82.88235294 48.41176471]
# 标准差
e = np.std(a)
print(e)
# 30.774267750111548
# 方差
f = np.var(a)
print(f)
# 947.0555555555557
# 最大值与最小值
print(np.min(a)) # 1
print(np.max(a)) # 94
# 扁平化后的下标
print(np.argmin(a)) # 9
print(np.argmax(a)) # 5
# 重塑成多维下标
print(np.unravel_index(np.argmin(a), a.shape))
# (2, 1)
# 数组中最大值与最小值差
print(np.ptp(a)) # 93
# 数组中位数(中值)
print(np.median(a)) # 33.5
# 计算梯度
print(np.gradient(a))
"""
[array([[ 80. ,  78. , -35. , -20. ],
       [ 32. ,  -7.5, -12. ,   4. ],
       [-16. , -93. ,  11. ,  28. ]]), 
array([[  6. ,  27.5,   6.5, -36. ],
       [  4. , -30. , -42.5, -21. ],
       [-73. , -16.5,  18. ,  -4. ]])]
"""
相关文章
|
1天前
|
开发者 Python
Python入门:8.Python中的函数
### 引言 在编写程序时,函数是一种强大的工具。它们可以将代码逻辑模块化,减少重复代码的编写,并提高程序的可读性和可维护性。无论是初学者还是资深开发者,深入理解函数的使用和设计都是编写高质量代码的基础。本文将从基础概念开始,逐步讲解 Python 中的函数及其高级特性。
Python入门:8.Python中的函数
|
1月前
|
Python
[oeasy]python057_如何删除print函数_dunder_builtins_系统内建模块
本文介绍了如何删除Python中的`print`函数,并探讨了系统内建模块`__builtins__`的作用。主要内容包括: 1. **回忆上次内容**:上次提到使用下划线避免命名冲突。 2. **双下划线变量**:解释了双下划线(如`__name__`、`__doc__`、`__builtins__`)是系统定义的标识符,具有特殊含义。
32 3
|
1月前
|
JSON 监控 安全
深入理解 Python 的 eval() 函数与空全局字典 {}
`eval()` 函数在 Python 中能将字符串解析为代码并执行,但伴随安全风险,尤其在处理不受信任的输入时。传递空全局字典 {} 可限制其访问内置对象,但仍存隐患。建议通过限制函数和变量、使用沙箱环境、避免复杂表达式、验证输入等提高安全性。更推荐使用 `ast.literal_eval()`、自定义解析器或 JSON 解析等替代方案,以确保代码安全性和可靠性。
45 2
|
1月前
|
存储 人工智能 Python
[oeasy]python061_如何接收输入_input函数_字符串_str_容器_ 输入输出
本文介绍了Python中如何使用`input()`函数接收用户输入。`input()`函数可以从标准输入流获取字符串,并将其赋值给变量。通过键盘输入的值可以实时赋予变量,实现动态输入。为了更好地理解其用法,文中通过实例演示了如何接收用户输入并存储在变量中,还介绍了`input()`函数的参数`prompt`,用于提供输入提示信息。最后总结了`input()`函数的核心功能及其应用场景。更多内容可参考蓝桥、GitHub和Gitee上的相关教程。
16 0
|
2月前
|
Python
Python中的函数是**一种命名的代码块,用于执行特定任务或计算
Python中的函数是**一种命名的代码块,用于执行特定任务或计算
64 18
|
2月前
|
数据可视化 DataX Python
Seaborn 教程-绘图函数
Seaborn 教程-绘图函数
87 8
|
2月前
|
Python
Python中的函数
Python中的函数
62 8
|
5月前
|
机器学习/深度学习 数据处理 Python
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
148 1
|
6月前
|
机器学习/深度学习 数据处理 计算机视觉
NumPy实践宝典:Python高手教你如何轻松玩转数据处理!
【8月更文挑战第22天】NumPy是Python科学计算的核心库,专长于大型数组与矩阵运算,并提供了丰富的数学函数。首先需安装NumPy (`pip install numpy`)。之后可通过创建数组、索引与切片、执行数学与逻辑运算、变换数组形状及类型、计算统计量和进行矩阵运算等操作来实践学习。NumPy的应用范围广泛,从基础的数据处理到图像处理都能胜任,是数据科学领域的必备工具。
80 0
|
3月前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
117 3

热门文章

最新文章

推荐镜像

更多