【NP】numpy(3) 多维下标存取&函数库

前文链接

numpy(2)

整数数组作为下标

设整数数组有 N t N_t Nt个,而切片有 N s N_s Ns个, N t + N s N_t+N_s Nt+Ns是数组的维数D. 这 N t N_t Nt个整数数组必须满足广播条件,假设进行广播之后的维数是 M M M,形状为 ( d 0 , d 1 , … , d M − 1 ) (d_0, d_1, \dots, d_{M-1}) (d0,d1,,dM1).

N s = 0 N_s=0 Ns=0

当不存在切片元素时,下标得到数组的shape和数组广播之后的shape相同. 每个元素通过以下公式获得.
R [ i 0 , i 1 , … , i M − 1 ] = X [ i n d 0 [ i 0 , i 1 , … , i M − 1 ] , … , i n d N t − 1 [ i 0 , i 1 , … , i M − 1 ] R[i_0, i_1, \dots, i_{M-1}]=X[ind_0[i_0, i_1, \dots, i_{M-1}], \dots, ind_{N_t-1}[i_0, i_1, \dots, i_{M-1}] R[i0,i1,,iM1]=X[ind0[i0,i1,,iM1],,indNt1[i0,i1,,iM1]

import numpy as np
a=np.arange(3*4*5).reshape(3, 4, 5)
i0=np.array([[1, 2, 1], [0, 1, 0]])
i1=np.array([[[0]], [[1]]])
i2=np.array([[[2, 3, 2]]])
b=a[i0, i1, i2]
print(b)

# 使用broadcast_arrays()查看广播后的数组
ind0, ind1, ind2=np.broadcast_arrays(i0, i1, i2)
print(ind0)
print(ind1)
print(ind2)

# 验证对应关系
i, j, k=0, 1, 2
print(b[i, j, k])
print(a[ind0[i, j, k], ind1[i, j, k], ind2[i, j, k]])

N s ≠ 0 N_s\neq 0 Ns=0

下标元组整数数组之间不存在切片,整数数组只有一个或连续多个整数数组.

import numpy as np
a=np.arange(3*4*5).reshape(3, 4, 5)
i0=np.array([[1, 2, 1], [0, 1, 0]])
i1=np.array([[[0]], [[1]]])
i2=np.array([[[2, 3, 2]]])

c=a[1:3, i0, i1]
print(c.shape) # (2, 2, 2, 3)

ind0, ind1 = np.broadcast_arrays(i0, i1)
print(ind0.shape) # (2, 2, 3)

下标元组中的整数不连续时,结果数组的shape属性为整数数组广播之后形状后面加上切片元素所对应的形状.

import numpy as np
a=np.arange(3*4*5).reshape(3, 4, 5)
i0=np.array([[1, 2, 1], [0, 1, 0]])
i1=np.array([[[0]], [[1]]])
i2=np.array([[[2, 3, 2]]])

d=a[i0, :, i1]
print(d.shape) # (2, 2, 3, 4)

ind0, ind1 = np.broadcast_arrays(i0, i1)

i, j, k=1, 1, 2
print(d[i, j, k]==a[ind0[i, j, k],:,ind1[i, j, k]]) # [True]

函数库

np.random函数库

随机数

np.random模块提供了如下产生随机数的函数

函数功能
rand()产生01之间的随机浮点数,参数指定产生数组的形状
randn()产生标准正态分布的随机数,参数含义与randn()相同
randint()产生指定范围的随机整数
import numpy as np
from numpy import random as rd
np.set_printoptions(precision=2) # 设置显示精度
r1=rd.rand(4, 3)
r2=rd.randn(4, 3)
r3=rd.randint(0, 10, (4, 3))
print(r1)
print(r2)
print(r3)

可以产生符合特定分布的随机数的函数,使用size参数指定数组的形状

函数名功能
normal(loc, scale, size)正态分布,前两个参数为均值和标准差
uniform(low, high, size)均匀分布,前两个参数指定区间的起始值和终点值
poisson(lam, size)泊松分布,第一个参数为 λ \lambda λ,表示事件的发生强度
import numpy as np
from numpy import random as rd
np.set_printoptions(precision=2) # 设置显示精度
r1=rd.normal(1, 2, (4, 3))
r2=rd.uniform(0, 10, (4, 3))
r3=rd.poisson(2.0, (4, 3))

print(r1)
print(r2)
print(r3)

排列组合和抽样

函数功能
permutation()产生一个乱序数组,当参数为n,返回 [ 0 , n ) [0, n) [0,n) n n n个数的随机排列,当参数为一个序列时,返回该序列的一个随机排列
shuffle()将参数序列的顺序打乱
choice()从指定样本中进行随机抽取,size指定输出数组的形状;replaceTrue时,进行重复抽样,False为无放回采样,默认值为Truep指定每个元素被抽取对应的概率,默认为等概率.
import numpy as np
from numpy import random as rd
np.set_printoptions(precision=2) # 设置显示精度

a=np.arange(1, 25, dtype=float)
c1=rd.choice(a, size=(3, 4))
c2=rd.choice(a, size=(3, 4), replace=False)
c3=rd.choice(a, size=(3, 4), p=a/np.sum(a)
print(c1)
print(c2)
print(c3)

统计计算

std()var()分别计算数组的标准差和方差,方差有偏样本方差(biased sample variance)和无偏样本方差(unbiased sample variance)两种
偏样本方差
s n 2 = 1 n ∑ i = 1 n ( x i − x ˉ ) 2 s_n^2=\frac{1}{n}\sum_{i=1}^n(x_i-\bar{x})^2 sn2=n1i=1n(xixˉ)2
无偏样本方差
s 2 = 1 n − 1 ∑ i = 1 n ( x i − x ˉ ) 2 s^2=\frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar{x})^2 s2=n11i=1n(xixˉ)2
当参数ddof=0时,表示计算偏样本方差,当ddof=1时,表示计算无偏样本方差,默认值设置为0.
偏样本方差是是最大似然估计(MLE)的参数估计结果,假设对正态分布 N ( μ , σ 2 ) \mathcal{N}(\mu, \sigma^2) N(μ,σ2)进行MLE.
N ( μ , σ 2 ) \mathcal{N}(\mu, \sigma^2) N(μ,σ2)的pdf如下
f ( x ∣ μ , σ 2 ) = 1 2 π σ 2 e − ( x − μ ) 2 2 σ 2 f(x\mid \mu, \sigma^2)=\frac{1}{\sqrt{2\pi\sigma^2}}e^{-\frac{(x-\mu)^2}{2\sigma^2}} f(xμ,σ2)=2πσ2 1e2σ2(xμ)2
找到一组参数 ( μ , σ 2 ) (\mu, \sigma^2) (μ,σ2)使得以下方程结果最大
f ( x 1 ) f ( x 2 ) … f ( x n ) f(x_1)f(x_2)\dots f(x_n) f(x1)f(x2)f(xn)

import numpy as np
from numpy import random as rd
import matplotlib.pyplot as plt
np.set_printoptions(precision=2) # 设置显示精度

def normal_pdf(mean, var, x):
    return 1/np.sqrt(2*np.pi*var)*np.exp(-(x-mean)**2/(2*var))

def demo():
    rd.seed(29)
    # 真实数据
    data=rd.normal(loc=0, scale=2.0, size=10)
    # 计算偏样本方差
    mean, var=np.mean(data), np.var(data, ddof=0)
    var_rng=np.linspace(max(var-4, 0.1), var+4, 100)
    p=normal_pdf(mean, var_rng.reshape(-1, 1), data) # broadcast
    p=np.product(p, axis=1)
    plt.plot(var_rng, p)
    plt.axvline(var, 0, 1, color='red', linestyle='--', alpha=0.8, label='mle_var')
    plt.xlabel('e_var')
    plt.ylabel('v_mle')
    plt.legend()
    plt.show()

demo()

可以发现在偏样本估计方差处MLE结果达到最大.
mle

极值和排序

函数名功能
sort()返回排序后的新数组,默认axis=-1np.sort(a)对行值进行排序,np.sort(a, axis=0)对列值进行排序
argsort()返回数组的排序下标,默认axis=-1
minimum()&maximum()比较两个数组对应下标的元素,返回数组形状为两参数数组广播之后的形状.
argmax()&argmin()求出最大值和最小值的下标
import numpy as np
from numpy import random as rd
import matplotlib.pyplot as plt
np.set_printoptions(precision=2) # 设置显示精度

a=np.array([1, 3, 5, 7])
b=np.array([2, 4, 6])

print(np.maximum(a.reshape(1, -1), b.reshape(-1, 1)))

使用sort_axis()可以进行关联数组排序

import numpy as np
from numpy import random as rd
import matplotlib.pyplot as plt
np.set_printoptions(precision=2) # 设置显示精度

def demo():
    rd.seed(29)
    a=rd.randint(0, 10, size=(4, 5))
    sort_axis1=np.argsort(a) # 行排序下标
    sort_axis0=np.argsort(a, axis=0) # 列排序下标
    
    axis0, axis1=np.ogrid[:a.shape[0], :a.shape[1]]
    print(a[axis0, sort_axis1])
    print(np.sort(a))

demo()
©️2020 CSDN 皮肤主题: 代码科技 设计师:Amelia_0503 返回首页
实付 99.00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、C币套餐、付费专栏及课程。

余额充值