【NumPy】成功解决AttributeError: ‘numpy.ndarray‘ object has no attribute ‘median‘

最新推荐文章于 2024-09-09 16:48:41 发布

高斯小哥

最新推荐文章于 2024-09-09 16:48:41 发布

阅读量3.1k

点赞数 23

分类专栏： Numpy 文章标签： numpy 新手入门学习 python

本文链接：https://blog.csdn.net/qq_41813454/article/details/138015054

版权

Numpy 专栏收录该内容

73 篇文章 27 订阅

订阅专栏

【NumPy】成功解决AttributeError: ‘numpy.ndarray’ object has no attribute ‘median’
在这里插入图片描述

🌈 欢迎莅临我的个人主页👈这里是我静心耕耘深度学习领域、真诚分享知识与智慧的小天地！🎇

🎓 博主简介：
我是高斯小哥，一名来自985高校的普通本硕生，曾有幸在中科院顶刊发表过一作论文。多年的深度学习研究和实践，让我逐渐熟练掌握了PyTorch框架，每一步成长都离不开持续的学习和积累。

🔧 技术专长：
在深度学习的广阔天地中，我不断探索前行，尤其在CV、NLP及多模态等领域有着丰富的实践经验。我热衷于将技术转化为解决实际问题的工具，因此，在业余时间，我积极投身于技术支持工作，已累计为数百位用户提供近千次专业帮助，助力他们【高效】解决问题。我坚信，技术的价值在于服务人类，提升生活品质。

📝 博客风采：
我深知知识分享的重要性，因此，在博客中我倾注心血，撰写并分享关于深度学习、PyTorch、Python的实用内容。今年，我笔耕不辍，已发表原创文章400余篇，代码分享次数逾三万次。我衷心希望通过这些内容，为广大读者提供实用的学习资源和解决方案，助力他们在深度学习的道路上稳步前行。

💡 服务项目：
除了知识分享，我还提供科研入门辅导（代码实战方面）、知识付费答疑以及个性化需求解决等服务。我深知每个人的需求都是独特的，因此我致力于提供个性化的解决方案，以满足不同用户的需求。
如果您对以上服务感兴趣，欢迎添加👉👉👉底部微信（gsxg605888）👈👈👈与我交流（请您备注来意）。

🧠 一、初识 AttributeError：探索问题的根源

在Python编程中，当我们尝试访问一个对象不存在的属性或方法时，会触发AttributeError。如果你在使用NumPy库时遇到了AttributeError: 'numpy.ndarray' object has no attribute 'median'这个错误，这意味着你尝试在一个NumPy数组对象上调用median方法，但实际上NumPy数组并没有这个方法。

为什么会这样呢？其实，这个错误源自一个常见的思维误区。许多编程新手会误以为NumPy数组像Pandas的Series或DataFrame那样拥有.median()这样的方法。但实际上，NumPy数组并没有直接提供这样的方法。

要计算NumPy数组的中位数，我们需要使用NumPy库提供的函数np.median()，而不是数组对象的方法。

🔍 二、深入了解 np.median() 函数

np.median()是NumPy库中的一个函数，用于计算数组的中位数。这个函数可以接受一个或多个数组作为输入，并返回这些数组的中位数。

下面是一个简单的例子，演示如何使用np.median()计算一维数组的中位数：

import numpy as np

# 创建一个一维数组
arr = np.array([1, 3, 5, 7, 9])

# 使用 np.median() 计算中位数
median_value = np.median(arr)

print(f"数组的中位数是: {median_value}")

输出将会是：
```
数组的中位数是: 5.0
```

对于多维数组，np.median()函数同样适用，并可以通过axis参数来指定计算中位数的维度。

# 创建一个二维数组
arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 计算整个数组的中位数
median_all = np.median(arr_2d)
print(f"整个数组的中位数: {median_all}")

# 计算每列的中位数
median_col = np.median(arr_2d, axis=0)
print(f"每列的中位数: {median_col}")

# 计算每行的中位数
median_row = np.median(arr_2d, axis=1)
print(f"每行的中位数: {median_row}")

通过上面的例子，我们可以看到np.median()函数非常灵活，可以适应不同维度的数组，并可以通过调整参数来得到我们想要的结果。

💡 三、举一反三：避免常见错误

当我们理解了np.median()函数的正确用法后，就可以避免一些常见的错误了。以下是一些常见的错误及其解决方法：

错误1：尝试在NumPy数组对象上调用.median()方法。

解决方法：使用np.median()函数代替.median()方法。

# 错误的做法
# median_value = arr.median()  # 这会触发 AttributeError

# 正确的做法
median_value = np.median(arr)

错误2：混淆NumPy和Pandas库的不同用法。

解决方法：明确区分NumPy和Pandas库，并记住它们各自提供的方法和函数。NumPy主要用于数值计算，而Pandas则提供了更强大的数据处理和分析功能。

📚 四、深入学习：NumPy数组的其他统计函数

除了np.median()函数外，NumPy还提供了许多其他用于计算数组统计量的函数，如np.mean()计算平均值，np.std()计算标准差，np.var()计算方差等。这些函数可以帮助我们更全面地了解数组的数据分布和特征。

# 计算数组的平均值
mean_value = np.mean(arr)
print(f"数组的平均值: {mean_value}")

# 计算数组的标准差
std_value = np.std(arr)
print(f"数组的标准差: {std_value}")

# 计算数组的方差
var_value = np.var(arr)
print(f"数组的方差: {var_value}")