numpy入门详细教程(五)

本讲主要介绍numpy的随机数函数、numpy的统计函数、numpy的梯度函数。

numpy的随机数函数

numpy的random子库：np.random.*，主要有np.random.rand()   np.random.randn()   np.random.randint()

rand(d0,d1,d2,……，dn)  :  根据d0-dn创建随机数组，浮点数，范围是[0,1),均匀分布

randn(d0,d1,d2,……，dn)  :  根据d0-dn创建随机数组,标准正态分布

randint(low, high, shape) : 根据shape创建随机数数组，范围是[low, high)

seed(s) : 随机数种子，s是给定的种子值

如上图：当给定的种子值为4时，产生的随机数数组为array([[7, 6, 5],
                                                                                               [5, 7, 6]])

当再次给定种子值为4时，产生的随机数数组不变

shuffle(a): 根据数组a的每一纵列进行随机排列，数组a发生改变

permutation(a) ：根据数组a的每一纵列进行随机排列，数组a不改变

choice(a, size, replace, p)：从一维数组a中以概率p抽取元素，形成size形状的新数组，replace表示是否可以重用元素，默认为                                                 True

已知数组a：

 

变换1：

变换2：

变换3：

uniform(low, high, size)  : 产生具有均匀分布的数组,low起始值,high结束值,size形状

normal(loc,scale,size)   :  产生具有正态分布的数组,loc均值,scale标准差,size形状

poisson(lam,size)  :   产生具有泊松分布的数组,lam随机事件发生率,size形状

numpy的统计函数：

已知数组a：

np.sum(a, axis=None) ： 根据给定轴axis计算数组a相关元素之和,axis整数或元组。

分析：

当axis=None时，np.sum(a)表示数组a的所有元素总和

当axis=0时，表示的是数组a各纵列元素之和

当axis=1时，表示的是数组a各横列元素之和

mean(a, axis=None) ：根据给定轴axis计算数组a相关元素的期望,axis整数或元组

average(a,axis=None,weights=None)：根据给定轴axis计算数组a相关元素的加权平均值

weights=None时：

weight != None 时：

分析：Out[59] 中的6.5是如何得来的：(2*0+5*3+10*5)/(2+3+5)=6.5

std(a, axis=None) : 根据给定轴axis计算数组a相关元素的标准差

var(a, axis=None) :  根据给定轴axis计算数组a相关元素的方差

min(a)  max(a) :  计算数组a中元素的最小值、最大值

argmin(a)  argmax(a) :  计算数组a中元素最小值、最大值的降一维后下标

unravel_index(index, shape) :  根据shape将一维下标index转换成多维下标

ptp(a) :  计算数组a中元素最大值与最小值的差

median(a)  :   计算数组a中元素的中位数(中值)

numpy的梯度函数：

np.gradient(a)  ：计算数组a中元素的梯度,当a为多维时,返回每个维度梯度

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

已知数组a:

求np.gradient(a):

分析：

Out[62]中7是如何得来的：（16-2)/2=7;  -2是如何得来的；特例：-2是如何得来的：（2-4）/1=-1;

                                           -13是如何得来的：（3-16）/1=-13

当数组a为多维数组时：

 

求np.gradient(a):

在上图中：上侧表示最外层维度(axis=0)的梯度,下侧表示第二层维度(axis=1)的梯度。

注：作者在慕课上跟随嵩天老师学习python数据分析与展示，收获良多。以上内容为学习笔记。