ToB企服应用市场:ToB评测及商务社交产业平台

标题: 【numpy基础】--聚合计算 [打印本页]
作者: 慢吞云雾缓吐愁    时间: 2023-6-26 11:28
标题: 【numpy基础】--聚合计算
上一篇介绍的通用计算是关于多个numpy数组的计算，
本篇介绍的聚合计算一般是针对单个数据集的各种统计结果，同样，使用聚合函数，也可以避免繁琐的循环语句的编写。
元素的和

数组中的元素求和也就是合计值。
调用方式

聚合计算有两种调用方式，一种是面向对象的方式，作为numpy数组对象的方法来调用：
  1. import numpy as np
  3. arr = np.random.randint(1, 10, (3, 3))
  4. print(arr)
  5. #运行结果
  6. [[8 3 4]
  7. [4 4 1]
  8. [6 6 3]]
  10. arr.sum()
  11. #运行结果
  12. 39
复制代码
另一种是函数式调用的方式：
  1. import numpy as np
  3. arr = np.random.randint(1, 10, (3, 3))
  4. print(arr)
  5. #运行结果
  6. [[8 3 4]
  7. [4 4 1]
  8. [6 6 3]]
  10. np.sum(arr)
  11. #运行结果
  12. 39
复制代码
下面演示各种聚合计算的方法时，都采用函数式调用的方式，不再一一赘述了。
整体统计

整体统计就是统计数组所有值的和。
  1. arr = np.random.randint(1, 10, (3, 3))
  2. print(arr)
  3. #运行结果
  4. [[6 3 1]
  5. [1 9 2]
  6. [1 2 5]]
  8. np.sum(arr)
  9. #运行结果：30
复制代码
按维度统计

比如上面的二维数组，按维度统计就是按行或者列来统计，而不是把所有值加在一起。
  1. arr = np.random.randint(1, 10, (3, 3))
  2. print(arr)
  3. #运行结果
  4. [[6 3 1]
  5. [1 9 2]
  6. [1 2 5]]
  8. #统计每列的合计值
  9. np.sum(arr, axis=0)
  10. #运行结果：array([ 8, 14,  8])
  12. #统计每行的合计值
  13. np.sum(arr, axis=1)
  14. #运行结果：array([10, 12,  8])
复制代码
元素的积

元素的积的聚合统计就是各个元素相乘的结果。
对应的函数是：np.prod
整体统计
  1. arr = np.random.randint(1, 10, (3, 3))
  2. print(arr)
  3. #运行结果
  4. [[6 3 1]
  5. [1 9 2]
  6. [1 2 5]]
  8. np.prod(arr)
  9. #运行结果：3240
复制代码
按维度统计
  1. arr = np.random.randint(1, 10, (3, 3))
  2. print(arr)
  3. #运行结果
  4. [[6 3 1]
  5. [1 9 2]
  6. [1 2 5]]
  8. #统计每列的聚合值
  9. np.prod(arr, axis=0)
  10. #运行结果：array([ 6, 54, 10])
  12. #统计每行的聚合值
  13. np.prod(arr, axis=1)
  14. #运行结果：array([18, 18, 10])
复制代码
元素的平均值和中位数

平均值对应的函数是：np.mean，中位数对应的函数是：np.median。
整体统计
  1. arr = np.random.randint(1, 10, (3, 3))
  2. print(arr)
  3. #运行结果
  4. [[6 3 1]
  5. [1 9 2]
  6. [1 2 5]]
  8. #平均值
  9. np.mean(arr)
  10. #运行结果：3.33333333
  12. #中位数
  13. np.median(arr)
  14. #运行结果：2.0
复制代码
按维度统计
  1. arr = np.random.randint(1, 10, (3, 3))
  2. print(arr)
  3. #运行结果
  4. [[6 3 1]
  5. [1 9 2]
  6. [1 2 5]]
  8. #按列统计平均值
  9. np.mean(arr, axis=0)
  10. #运行结果：array([2.66666667, 4.66666667, 2.66666667])
  12. #按行统计平均值
  13. np.mean(arr, axis=1)
  14. #运行结果：array([3.33333333, 4.        , 2.66666667])
  16. #按列统计中位数
  17. np.median(arr, axis=0)
  18. #运行结果：array([1., 3., 2.])
  20. #按行统计中位数
  21. np.median(arr, axis=1)
  22. #运行结果：array([3., 2., 2.])
复制代码
元素的标准差和方差

标准差对应的函数是：np.std，方差对应的函数是：np.var。
整体统计
  1. arr = np.random.randint(1, 10, (3, 3))
  2. print(arr)
  3. #运行结果
  4. [[6 3 1]
  5. [1 9 2]
  6. [1 2 5]]
  8. #标准差
  9. np.std(arr)
  10. #运行结果：2.6246692913372702
  12. #方差
  13. np.var(arr)
  14. #运行结果：6.888888888888889
复制代码
按维度统计
  1. arr = np.random.randint(1, 10, (3, 3))
  2. print(arr)
  3. #运行结果
  4. [[6 3 1]
  5. [1 9 2]
  6. [1 2 5]]
  8. #按列统计标准差
  9. np.std(arr, axis=0)
  10. #运行结果：array([2.3570226 , 3.09120617, 1.69967317])
  12. #按行统计标准差
  13. np.std(arr, axis=1)
  14. #运行结果：array([2.05480467, 3.55902608, 1.69967317])
  16. #按列统计方差
  17. np.var(arr, axis=0)
  18. #运行结果：array([5.55555556, 9.55555556, 2.88888889])
  20. #按行统计方差
  21. np.var(arr, axis=1)
  22. #运行结果：array([ 4.22222222, 12.66666667,  2.88888889])
复制代码
最大值和最小值

最大值对应的函数是：np.max，最小值对应的函数是：np.min。
整体统计
  1. arr = np.random.randint(1, 10, (3, 3))
  2. print(arr)
  3. #运行结果
  4. [[6 3 1]
  5. [1 9 2]
  6. [1 2 5]]
  8. #最大值
  9. np.max(arr)
  10. #运行结果：9
  12. #最小值
  13. np.min(arr)
  14. #运行结果：1
复制代码
按维度统计
  1. arr = np.random.randint(1, 10, (3, 3))
  2. print(arr)
  3. #运行结果
  4. [[6 3 1]
  5. [1 9 2]
  6. [1 2 5]]
  8. #按列统计最大值
  9. np.max(arr, axis=0)
  10. #运行结果：array([6, 9, 5])
  12. #按行统计最大值
  13. np.max(arr, axis=1)
  14. #运行结果：array([6, 9, 5])
  16. #按列统计最小值
  17. np.min(arr, axis=0)
  18. #运行结果：array([1, 2, 1])
  20. #按行统计最小值
  21. np.min(arr, axis=1)
  22. #运行结果：array([1, 1, 1])
复制代码
总结回顾

本篇介绍了最常用的聚合计算函数，聚合计算通常用于对数据进行处理和分析，以及实现高级的数据分析算法。
除了上面介绍的聚合计算函数，还有：
具体请参考官方文档。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！



欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/) Powered by Discuz! X3.4