numpy下 统计相关

最新推荐文章于 2024-01-09 19:46:22 发布
最新推荐文章于 2024-01-09 19:46:22 发布
阅读量191 收藏 1
点赞数
文章标签： numpy 统计学
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Nnxxx/article/details/110240625
版权

统计相关

axis：坐标轴的方向，调整计算的维度方向，取值范围0/1，0为沿纵轴计算，1为沿横轴计算。

次序统计

最小值

numpy.amin(a[, axis=None, out=None, keepdims=np._NoValue, initial=np._NoValue,where=np._NoValue])

返回数组或数组某一轴的最小值

import numpy as np

# 计算最小值

x = np.array([[8,2,5],
             [7,6,9],
             [3,5,2]])

y = np.amin(x)
print(y) # 2
y = np.amin(x, axis=0) # axis=0：计算数组中的元素沿纵轴的最小值
print(y) # [3 2 2]
y = np.amin(x, axis=1) # axis=1：计算数组中的元素沿横轴的最小值
轴的最小值
print(y) # [2 6 2]

最大值

numpy.amax(a[,axis=None,out=None,keepdims=np._NoValue,
initial=np._NoValue,where=np._NoValue])

返回数组或数组某一轴的最大值

import numpy as np

# 计算最大值

x = np.array([[8,2,5],
             [7,6,9],
             [3,5,2]])

y = np.amax(x)
print(y) # 9
y = np.amax(x, axis=0) # axis=0：计算数组中的元素沿纵轴的最大值
print(y) # [8 6 9]
y = np.amax(x, axis=1) # axis=1：计算数组中的元素沿横轴的最大值
print(y) # [8 9 5]

极差

numpy.ptp(a, axis=None, out=None, keepdims=np._NoValue)

max-min

import numpy as np

# 计算极差

np.random.seed(20200623)
x = np.random.randint(0, 20, size=[4, 5])
print(x)
# [[10 2 1 1 16]
# [18 11 10 14 10]
# [11 1 9 18 8]
# [16 2 0 15 16]]

print(np.amax(x)) # 18
print(np.amin(x)) # 0
print(np.ptp(x)) # 极差：18

print(np.amax(x,axis=0)) # [18 11 10 18 16]
print(np.amin(x,axis=0)) # [10  1  0  1  8]
print(np.ptp(x, axis=0)) # [ 8 10 10 17 8]

print(np.amax(x,axis=1)) # [16 18 18 16]
print(np.amin(x,axis=1)) # [ 1 10  1  0]
print(np.ptp(x, axis=1)) # [15 8 17 16]

分位数

numpy.percentile(a,q,axis=None,out=None,overwrite_input=False,interpolation=‘linear’, keepdims=False)

q为介于0-100的参数，如25则为计算四分位数。

import numpy as np

# 计算分位数
# p分位数的位置公式如下：position = 1+（n-1）*p 
# p分位数位置的值 = 位于p分位数取整后位置的值 + 
#（位于p分位数取整下一位位置的值 - 位于p分位数取整后位置的值）*（p分位数位置 - p分位数位置取整）

np.random.seed(20200623)
# x = np.random.randint(0, 20, size=[4, 5])
x = np.array([[1,2,3,4],
             [5,6,7,8],
             [9,10,11,12],
             [13,14,15,16]])
print(x)

# print(np.sort(x)) # 对x进行排序
# print(np.argsort(x)) # 对x进行排序，返回排序后索引位置

print(np.percentile(x, [25, 50])) # [4.75 8.5] 计算25%分位数和中位数
print(np.percentile(x, [25, 50], axis=0))
# [[ 4.  5.  6.  7.]
# [ 7.  8.  9. 10.]]
print(np.percentile(x, [25, 50], axis=1))
# [[ 1.75  5.75  9.75 13.75]
#  [ 2.5   6.5  10.5  14.5 ]]

均值与方差

中位数

numpy.median(a,axis=None,out=None,overwrite_input=False,
keepdims=False)

import numpy as np

# 计算中位数

np.random.seed(20200623)
# x = np.random.randint(0, 20, size=[4, 5])
x = np.array([[1,2,3,4],
             [5,6,7,8],
             [9,10,11,12],
             [13,14,15,16]])
print(x)

print(np.percentile(x, 50))
print(np.median(x)) # 8.5

print(np.percentile(x, 50, axis=0))
print(np.median(x, axis=0))
# [ 7.  8.  9. 10.]

print(np.percentile(x, 50, axis=1))
print(np.median(x, axis=1))
# [ 2.5  6.5 10.5 14.5]

平均值

numpy.mean(a[, axis=None, dtype=None, out=None, keepdims=np._NoValue)])

import numpy as np

# 计算平均值（沿轴的元素的总和除以元素的数量）

x = np.array([[11, 12, 13, 14, 15],
              [16, 17, 18, 19, 20],
              [21, 22, 23, 24, 25],
              [26, 27, 28, 29, 30],
              [31, 32, 33, 34, 35]])
y = np.mean(x)
print(y) # 23.0
y = np.mean(x, axis=0)
print(y) # [21. 22. 23. 24. 25.]
y = np.mean(x, axis=1)
print(y) # [13. 18. 23. 28. 33.]

加权平均值

numpy.average(a[, axis=None, weights=None, returned=False])

mean与average函数均为计算均值，计算加权平均值可用average函数。
在这里插入图片描述

import numpy as np

# 计算加权平均值（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。）

x = np.array([[11, 12, 13, 14, 15],
              [16, 17, 18, 19, 20],
              [21, 22, 23, 24, 25],
              [26, 27, 28, 29, 30],
              [31, 32, 33, 34, 35]])

y = np.average(x)
print(y) # 23.0
y = np.average(x, axis=0)
print(y) # [21. 22. 23. 24. 25.]
y = np.average(x, axis=1)
print(y) # [13. 18. 23. 28. 33.]

y = np.arange(1, 26).reshape([5, 5]) # 权重为比重，是一个百分数
print(y)
# [[ 1 2 3 4 5]
# [ 6 7 8 9 10]
# [11 12 13 14 15]
# [16 17 18 19 20]
# [21 22 23 24 25]]

z = np.average(x, weights=y) # 指定权重后，average可以计算加权平均值
print(z) # 27.0
z = np.average(x, axis=0, weights=y) # (11*1+16*6+21*11+26*16+31*21)/(1+6+11+16+21)
print(z)
# [25.54545455 26.16666667 26.84615385 27.57142857 28.33333333]
z = np.average(x, axis=1, weights=y)
print(z)
# [13.66666667 18.25 23.15384615 28.11111111 33.08695652]

方差

numpy.var(a[, axis=None, dtype=None, out=None, ddof=0, keepdims=np._NoValue])

ddof为自由度个数。计算方差时分母为n，计算样本方差的无偏估计时分母为n-1。

import numpy as np

# 计算方差

x = np.array([[11, 12, 13, 14, 15],
              [16, 17, 18, 19, 20],
              [21, 22, 23, 24, 25],
              [26, 27, 28, 29, 30],
              [31, 32, 33, 34, 35]])

y = np.var(x)
print(y) # 52.0
y = np.mean((x - np.mean(x)) ** 2) # 方差
print(y) # 52.0

y = np.var(x, ddof=1) # ddof：自由度的个数
print(y) # 54.166666666666664
y = np.sum((x - np.mean(x)) ** 2) / (x.size - 1) # 样本方差无偏估计
print(y) # 54.166666666666664

y = np.var(x, axis=0)
print(y) # [50. 50. 50. 50. 50.]
y = np.var(x, axis=1)
print(y) # [2. 2. 2. 2. 2.]

标准差

numpy.std(a[, axis=None, dtype=None, out=None, ddof=0, keepdims=np._NoValue])

import numpy as np

# 计算标准差

x = np.array([[11, 12, 13, 14, 15],
              [16, 17, 18, 19, 20],
              [21, 22, 23, 24, 25],
              [26, 27, 28, 29, 30],
              [31, 32, 33, 34, 35]])

y = np.std(x) # 标准差
print(y) # 7.211102550927978
y = np.sqrt(np.var(x)) # 方差的算术平方根
print(y) # 7.211102550927978

y = np.std(x, axis=0)
print(y)
# [7.07106781 7.07106781 7.07106781 7.07106781 7.07106781]
y = np.std(x, axis=1)
print(y)
# [1.41421356 1.41421356 1.41421356 1.41421356 1.41421356]

相关

协方差矩阵

numpy.cov(m, y=None, rowvar=True, bias=False, ddof=None, fweights=None,aweights=None)

协方差计算公式：
在这里插入图片描述
协方差矩阵：
在这里插入图片描述
其中
在这里插入图片描述

import numpy as np

# 计算协方差矩阵

x = [1, 2, 3, 4, 6]
y = [0, 2, 5, 6, 7]

print(np.cov(x)) # 3.7  两个变量相同时，样本方差即为样本协方差
print(np.cov(y)) # 8.5  样本方差
print(np.cov(x, y))
# [[3.7 5.25]
# [5.25 8.5 ]]

print(np.var(x)) # 2.96  方差
print(np.var(x, ddof=1)) # 3.7  样本方差
print(np.var(y)) # 6.8  方差
print(np.var(y, ddof=1)) # 8.5  样本方差

z = np.mean((x - np.mean(x)) * (y - np.mean(y))) # 协方差 E[(X-EX)(Y-EY)]
print(z) # 4.2
z = np.sum((x - np.mean(x)) * (y - np.mean(y))) / (len(x) - 1) # 样本协方差 (X-EX)(Y-EY)/(n-1)
print(z) # 5.25
z = np.dot(x - np.mean(x), y - np.mean(y)) / (len(x) - 1) # 样本协方差  np.dot为矩阵积运算
print(z) # 5.25

相关系数

numpy.corrcoef(x, y=None, rowvar=True, bias=np._NoValue, ddof=np._NoValue)

在这里插入图片描述

import numpy as np

# 计算相关系数

np.random.seed(20200623)
x, y = np.random.randint(0, 20, size=(2, 4))
print(x) # [10 2 1 1]
print(y) # [16 18 11 10]

z = np.corrcoef(x, y) # 相关系数
print(z)
# [[1. 0.48510096]
# [0.48510096 1. ]]

a = np.dot(x - np.mean(x), y - np.mean(y)) 
b = np.sqrt(np.dot(x - np.mean(x), x - np.mean(x)))
c = np.sqrt(np.dot(y - np.mean(y), y - np.mean(y)))
print(a / (b * c)) # 0.4851009629263671

直方图

numpy.digitize(x, bins, right=False)

返回输入数组x中每个值所属的数组bins的区间索引。

import numpy as np
 
x = np.array([0.2, 6.4, 3.0, 1.6])
bins = np.array([0.0, 1.0, 2.5, 4.0, 10.0]) # bins：一维单调数组，必须是升序或者降序
inds = np.digitize(x, bins) # 返回值：x在bins中的位置。
print(inds) # [1 4 3 2]

for n in range(x.size):
    print(bins[inds[n] - 1], "<=", x[n], "<", bins[inds[n]])
# 0.0 <= 0.2 < 1.0
# 4.0 <= 6.4 < 10.0
# 2.5 <= 3.0 < 4.0
# 1.0 <= 1.6 < 2.5

import numpy as np

x = np.array([1.2, 10.0, 12.4, 15.5, 20.])
bins = np.array([0, 5, 10, 15, 20])

inds = np.digitize(x, bins, right=True) # 间隔包含最优
print(inds) # [1 2 3 4 4]
inds = np.digitize(x, bins, right=False) # 间隔不包含最优
print(inds) # [1 3 3 4 5]
zzsn
关注
python 方差_使用NumPy介绍期望值，方差和协方差
weixin_39984098的博客
12-02 3406
基础统计是应用机器学习中的有力工具，它可以更好地理解数据。而且，它也为更先进的线性代数运算和机器学习方法奠定了基础的工具，例如分别协方差矩阵和主成分分析(PCA)。因此，掌握线性代数中基础的统计非常重要。在本教程中，你会了解基础的统计操作及其原理，和如何使用NumPy实现线性代数的符号和术语。完成本教程后，你将知道：期望值，平均数(average)和平均值(mean)是什么，以及如何计算它们。方差...
利用Numpy进行统计分析
yixuan03的博客
06-05 920
这份代码演示了如何使用NumPy库来创建、操作和处理多维数组。在这份代码中，我们使用各种NumPy函数来执行不同的数组操作。首先，我们使用`np.random.seed()`函数来设置随机数生成器的种子，以便每次生成的随机数是相同的。然后使用`np.random.randint()`函数随机生成一个二维数组，该函数用于生成指定范围内指定大小的随机整数数组。
python之Numpy 统计相关
qq_27326125的博客
11-11 590
统计相关次序相关计算最小值计算最大值计算极差计算分位数均值与方差计算中位数计算平均值计算加权平均值计算方差计算标准差计算协方差矩阵计算相关系数直方图 次序相关 计算最小值 numpy.amin(a[, axis=None, out=None, keepdims=np._NoValue, initial=np._NoValue, where=np._NoValue]) import numpy as np x = np.array([[11, 12, 13, 14, 15],
Numpy相关运算
Learn_and的博客
07-29 307
比较运算 重新生成8只股票10个交易日的涨跌幅数据： stock_change = np.random.normal(loc=0, scale=1, size=(8, 10)) 逻辑判断：如果涨跌幅大于0.5就标记为True，否则就标记为False。 取出为True的具体数据： 将为True的数据修改为1.1： 也就是将满足条件的设置为指定的值。 通用判断函数： np.all() np.any() 总结： 通用判断函数： np.all(布尔值) 只要有一个False就返回Fals
Python对列表数据进行区间统计
guihunkun的博客
02-24 1万+
文章目录前言程序结果 前言 有时我们有一堆数据，我们需要统计在各个区间段的数据有多少，占总数据量的比例，可借助如下程序。程序可去我的GitHub网站下载 程序 import numpy as np def interval_statistics(data, intervals): if len(data) == 0: return for num in data: for interval in intervals: lr = tu
【python】Numpy统计函数总结
微小冷的学习笔记
11-05 2041
这四对协方差，对于数组与其自身的协方差，其协方差表达式退化为。0在1前面，是第0个区间。这和标准差的公式是极为相近的，Numpy中的标准差公式是。在理解协方差与方差之后，就可以理解相关系数，记。列数组之间的协方差，那么相关系数可表示为。功能相同，但只输出直方图的边缘，即上面的。长度为10，表示每个区间中的元素个数；，得到的是一个矩阵，分别用于描述。时，数组与其自身的相关系数为1。的长度为11，表示区间的起止值。首先回忆一下协方差的概念，对于。两组样本，其协方差可以表示为。中对应区间的位置，例如。
python&numpy十一： 借助numpy进行统计分析
最新发布
m0_63030819的博客
01-09 555
使用NumPy进行统计分析
numpy-统计函数
qq_14815199的博客
10-22 1327
1. 使用numpy.amin() 用于计算数组中的元素沿指定轴的最小值。 2. 使用numpy.amax() 用于计算数组中的元素沿指定轴的最大值。 3. 使用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） 4.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...
Python 使用 numpy 计算图像的相关系数（相关性分析）
火星辉
09-07 1万+
# -*- coding: utf-8 -*- ''' Created on 2018-9-7 16:23:25 @author: skyblue ''' import cv2 import numpy as np img0 = cv2.imread('./imagesTest4/0.png', cv2.IMREAD_GRAYSCALE) img1 = cv2.imread('./images...
python区间中的数字统计
WYXHAHAHA123的博客
04-25 1万+
''' 描述 数轴上有n个点，对于任一闭区间 [a, b]，试计算落在其内的点数。 输入 第一行包括两个整数：点的总数n，查询的次数m。 第二行包含n个数，为各个点的坐标。 以下m行，各包含两个整数：查询区间的左、右边界a和b。 输出 对每次查询，输出落在闭区间[a, b]内点的个数。 ''' line1=input().split() num_point=int(line1[0]) num_q...
Python Numpy matrix计算 初试
wesegm的博客
05-23 876
准备 numpy.random.normal(local,scale,size) size是二元组，代表生成的随机高斯矩阵大小，local为均值，scale为方差 numpy.dot(A,B) 矩阵乘法 A * B numpy.identity(size) size为单位矩阵大小 from scipy.linalg import toeplitz。 Toeplitz 矩阵 sci...
python方差的计算公式_用numpy计算均值，方差，标准差
weixin_39751679的博客
11-24 1万+
numpy自带一些函数接口，可以用来很方便的计算一组数据的均值（mean），方差（variance）和标准差（standard deviation）。均值（mean）>>> a = np.array([1,2,3,4,5,6,7,8,9])>>> np.mean(a)5.0除了np.mean函数，还有np.average函数也可以用来计算mean，不一样的地方时，np.average函数可以带一个...
python-numpy-计算分位数
云金杞
03-16 2万+
# Specify array of percentiles: percentiles percentiles = np.array([2.5, 25, 50, 75, 97.5]) # Compute percentiles: ptiles_vers ptiles_vers = np.percentile(versicolor_petal_length, percentiles) # Pri
Python, Numpy求 list 数组均值，方差，标准差
三妹的博客
11-21 3万+
代码如下： import numpy as np array = [1,3,5,7,9] # 求均值 arr_mean = np.mean(array) # 求方差 arr_var = np.var(array) # 求标准差 arr_std = np.std(array,ddof=1)
python numpy元素的区间查找
rentao315的专栏
12-12 1万+
找了半天，以为numpy的where函数像matlab 的find函数一样好用，能够返回一个区间内的元素索引位置。结果没有。。（也可能是我没找到） 故自己写一个函数，找多维数组下的，在某个区间的元素位置 import numpy as np def find(arr,min,max): pos_min = arr>min pos_max =  arr pos_rst
python计算样本方差_Python numpy 样本方差估计
weixin_39838362的博客
12-06 1801
偏样本方差 无偏样本方差 import numpy as npsize = 1000data = np.random.normal(0, 2, size=size)mean, var1, var2 = np.mean(data), np.var(data), np.var(data, ddof=1)# -0.045359962061835526 4.006485716261472 4.010496...
Python 列表数据分布区间统计数量
03-23 9580
Python 列表数据分布区间统计数量 例如：把年龄间隔20岁作为区间，统计每个区间的人数 import pandas as pd ages=[24,22,26,30,25,23,47,31,51,45,43,13] bins=[0,20,40,50,60,70,80,90,100] #将年龄划分为18-25，26-35，36-60,60以上 cats=pd.cut(ages,bins) print(pd.value_counts(cats)) #按区间计数 print(pd.cut(
python-numpy一些方法总结
热门推荐
nyyin@qq.com
12-30 4万+
1、multiply 例子：x1=[1,2,3];x2=[4,5,6] print multiply(x1,x2)输出：[ 4 10 18]multiply函数得到的结果是对应位置上面的元素进行相乘。2、std 标准方差 ,var 方差 例子：b=[1,3,5,6] print var(b) print power(std(b),2)输出：3.6875 3.6875var输出向量的方差，std输
Numpy实战：文件读写与统计分析
"基于Numpy的统计分析实战" 在Python中，Numpy库是进行数值计算和数据分析的重要工具，尤其在处理大型多维数组时表现强大。本教程将深入讲解如何利用Numpy进行统计分析，包括从文件中读取和写入数据以及执行各种...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值