np.mean、np.min、np.max

最新推荐文章于 2023-09-26 21:32:36 发布
最新推荐文章于 2023-09-26 21:32:36 发布
阅读量2.2k 收藏 8
点赞数
分类专栏： NumPy 文章标签： numpy
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/qq_44669578/article/details/102691331
版权

np.mean、np.max、np.min

1、np.mean

返回平均值

In [3]: np.mean([1,2,3,4,5,6])
Out[3]: 3.5

有多少值匹配

a=np.array([1,2,3,4,5,2,3,1])
b=np.array([1,2,3,4,5,0,0,0])
print(np.mean(a==b))
#print 0.625

 

 

2、np.max

返回最大值

In [4]: np.max([1,2,3,4,5,6])
Out[4]: 6

3、np.min

返回最小值

In [5]: np.min([1,2,3,4,5,6])
Out[5]: 1

 

庾信平生最萧瑟
关注
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
电商用户数据分析报告.pdf
12-24
电商⽤户数据分析报告 CDNow曾经是⼀家在线⾳乐零售平台，后被德国波泰尔斯曼娱乐集团公司出资收购，其资产总价值在最辉煌时曾超过10亿美元。本⽂主要通过分析CDNow⽹站的⽤户购买明 细来分析该⽹站的⽤户消费⾏为，使运营部门在营销时更加具有针对性，从⽽节省成本，提升效率。 数据来源 本次分析数据来源CDNow⽹站的⽤户在1997年1⽉1⽇⾄1998年6⽉30⽇期间内购买CD交易明细。 ——提取码: va7h 数据集⼀共有⽤户ID，购买⽇期，订单数，订单⾦额四个字段。 import numpy as np import pandas as pd from datetime import datetime import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline #读取数据 #4列特征，分别为⽤户id，购买⽇期，购买数量，购买⾦额 columns=['user_id','order_dt','order_products','order_amount'] data=pd.read_table('./CDNOW_master.txt',names=columns,sep='\s+') data.head() user_id user_id order_dt order_dt order_products order_products order_amount order_amount 0 0 1 19970101 1 11.77 1 1 2 19970112 1 12.00 2 2 2 19970112 5 77.00 3 3 3 19970102 2 20.76 4 4 3 19970330 2 20.76 data.describe() # 数据的基本信息 user_id user_id order_dt order_dt order_products order_products order_amount order_amount count count 69659.000000 6.965900e+04 69659.000000 69659.000000 mean mean 11470.854592 1.997228e+07 2.410040 35.893648 std std 6819.904848 3.837735e+03 2.333924 36.281942 min min 1.000000 1.997010e+07 1.000000 0.000000 25% 25% 5506.000000 1.997022e+07 1.000000 14.490000 50% 50% 11410.000000 1.997042e+07 2.000000 25.980000 75% 75% 17273.000000 1.997111e+07 3.000000 43.700000 max max 23570.000000 1.998063e+07 99.000000 1286.010000 从上可知，看数据6关键指标：样本数：69659，最⼩值：0，最⼤值：1286，平均值：36，⽅差36，中位数：26。平均数⼤于中位数，右偏 分布。没有空缺数据，不⽤清理直接分析，注意到⽇期数据是整数型，需要转换成时间格式。 #增加两个新时间序列 #将order_dt转化成时间格式 data['order_date']=pd.to_datetime(data.order_dt,format='%Y%m%d') #将order_date转化成每⽉起始第⼀天#将order_date转化成每⽉起始第⼀天 data['month']=data.order_date.values.astype('datetime64[M]') #按⽤户ID进⾏分组 user_grouped=data.groupby('user_id').sum() user_grouped order_dt order_dt order_products order_products order_amount order_amount user_id user_id 1 1 19970101 1 11.77 2 2 39940224 6 89.00 3 3 119833602 16 156.46 4 4 79882233 7 100.50 5 5 219686137 29 385.61 6 6 19970101 1 20.99 7 7 59921434 18 264.67 8 8 159775420 18 197.66 9 9 59921222 6 95.85 10 10 19970121 3 39.31
理解np.max、np.min、np.argmax、np.argmin以及np.sum中的axis参数
冰糖麻辣鱼的博客
12-30 2165
理解numpy数组中沿轴求最值，求和 假设我们的数组共有0、1、2、3四维（分别代表着不同含义，可参考自己的数据进行替换），三个函数的含义分别为： 直接举例子 import numpy as np np.max(axis=C) # 同A、同B、同D，在不同C中元素值最大是多少 np.argmax(axis=C) # 同A、同B、同D，在不同C中元素值最大的 是哪个C np.min() n...
python编程之np.min()的用法
tian_jiangnan的博客
03-14 1万+
min，顾名思义就是求数组中最小值 案例如下
np.max(),np.min(),axis=0/1
AI_eNyu的博客
03-15 3956
np.max(),np.min() 首先创建一个二维数组 a=np.array([[378., 533.], [456., 420.], [593., 461.], [529., 584.]]) 不加其他参数,会返回数组中所有数据中的最大值或最小值。 np.min(a) [output]:378. np.max(a) [output]:593. 加入axis参数，当axis=0时会分别取每一列的最大值或最小值，axis=1时，会
np.min np.amin np.minimum
yangyu222的专栏
12-07 4033
首先说下axis . 直观的理解为当axis = n，时， 在n这个维度观察数据，比如n是列，则取一列，求最小值，然后在其他维度循环这样的操作。或者也可以理解为axis=n，则原始数据第n维为也就是shape[n] = 1, 其他维不变，axis = m,n，等价于先m,再n 操作，或者理解为m，n维为1 其他维度不变。 np.amin() 当输入是不一定是numpy.array 时，用np...
python numpy中数组.min()
swartz_lubel的专栏
10-29 2007
[python] view plain copy import numpy as np   a = np.array([[1,5,3],[4,2,6]])   print(a.min()) #无参，所有中的最小值   print(a.min(0)) # axis=0; 每列的最小值   print(a.min(1)) # axis=1；每行的最小值  
Numpy中np.max()和np.min()用法
weixin_44558721的博客
10-19 6091
PyTorch基础知识
np.min()和np.argmin()函数用法
qq_43511299的博客
03-27 4022
np.min()函数用于返回列表中的最小值 np.argmin()函数用于返回一维列表最小值索引或多维列表展平之后的最小值索引 import numpy as np lst1=[1,100,56,78,0] lst2=[[100,4,5],[3,5,7],[5,0,6]] print("lst列表中的最小值是:") print(np.min(lst1)) print("lst1列表中最小值的索引是：") print(np.argmin(lst1)) print("lst2列表中最小值的索引是：") prin
np.max()、np.argmax()、np.maximum()、np.min()、np.argmin()、np.minimum()、np.sum()
热门推荐
dekiang
04-02 2万+
numpy专题——最值、求和最大值np.max()np.argmax()np.maximum()求和二级目录三级目录 最大值 np.max() 参数解析 np.max(array, axis=None, out=None, keepdims=False) 一维ndarray import numpy as np array1 = np.array([1, 3, 2, 8, 5]) prin...
数据分析基础之Numpy库
qq_64997449的博客
05-30 3083
NumPy库提供了一种称为数组的数据结构，它可以容纳多维数组，并且支持各种数学运算。数组操作是数据分析中的基础，因为它可以快速地对大量数据进行操作，例如筛选、排序、聚合等等。NumPy库还提供了各种数学函数，例如求和、均值、标准差等等，这些函数可以帮助我们更好地理解和分析数据。NumPy是Python中一个重要的数据处理库，它提供了高效的数组操作和数值计算功能。在数据分析中，NumPy库的重要性不言而喻，因为数据分析通常需要处理大量的数据，并进行各种复杂的数学运算。返回一个新的数组，改变数组形状。
机器学习和数据分析-numpy中常用的聚合函数
12-21
np.min() 最小值 np.max() 最大值 np.prod() 乘积 np.mean() 平均值 np.median() 中位数 np.percentile() 百分位数 np.var() 方差 np.std() 标准差 1.启动jupyter notebook 2.创建一个新的notebook，并导入numpy ...
augur:SVR预测（仅内核= RBF）
05-19
奥古尔 基于Scikit学习SVR输出的预测工具。 var omens = augur . SVR ( require ( './salary.json' ) ; yours = omens .... // yours => 42,000.0 ... min ()) ny = ( y - y . mean ()) / ( y . max
numpy学习（二）
01-07
numpy学习二 ...np.argmin(a) 0 #最大值索引 np.argmax(a) 11 #平均值 np.mean(a) 7.5 #中位数 np.median(a) 7.5 #累加 np.cumsum(a) #有点类似斐波那契 array([ 2, 5, 9, 14, 20, 27, 35,
pandas的resample重采样的使用
12-20
Pandas中的resample，重新采样，是对原样本重新处理的...用于产生聚合值的函数名或数组函数，例如‘mean’、‘ohlc’、np.max等，默认是‘mean’，其他常用的值由：‘first’、‘last’、‘median’、‘max’、‘min’
np.min()与torch.min
最新发布
qq_42478898的博客
09-26 118
torch.min()接收一个数组表示取该张量数组的最小值，接收两个数组表示按位取较小的元素，而np.min()不能接收两个数组。np.min(array, axis=None, out=None, keepdims=False)取数组中的最小值；
Numpy中内置函数min(),max(),sum()与Python中内置函数min(),max(),sum()性能对比分析
m0_45126409的博客
12-21 1240
众所周知，Python有许多内置函数（例如min(),max(),sum()），Numpy也有自己的内置函数（np.min(),np.max(),np.sum()）。由于Numpy的函数是在编译码中执行操作的，所以Numpy的操作计算得更快一些 接下来比较Numpy内置函数sum与Python内置函数sum的性能比较 注意：当数据量较小时，结果会呈现出Python中的内置函数的执行速度快。 #su...
numpy中的统计函数
jayloncheng的博客
05-31 1万+
numpy中的统计函数个人学习笔记！一、常用函数1、np.max()作用：找出最大值>>> import numpy as np >>> x = np.array([[-1,3,0],[5,2,7]]) >>> x array([[-1, 3, 0], [ 5, 2, 7]]) >>> np.max(x...
np.min和np.concatenate
算法小白
04-25 632
np.min——axis=1，取每行最小；axis=0，取每列最小 np.concatenate——axis=1，按行拼，增加列数；axis=0，按列拼，增加行数
print(pd.DataFrame(df.groupby('分店')['销售额'].agg([np.min,np.max,np.mean])))
05-30
这段代码使用了`groupby()`函数将数据按照"分店"进行分组，然后使用`agg()`函数对每个分组计算"销售额"列的最小值、最大值和平均值。具体来说，`df.groupby('分店')['销售额']`表示按照"分店"列进行分组，并选择"销售额"列进行计算；`agg([np.min,np.max,np.mean])`表示对每个分组计算最小值、最大值和平均值。最终的结果是一个新的DataFrame对象，其中包含每个分店的最小销售额、最大销售额和平均销售额。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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