numpy(五)函数篇

最新推荐文章于 2022-05-05 22:20:03 发布

山上有多花

最新推荐文章于 2022-05-05 22:20:03 发布

阅读量2.2k

点赞数 1

分类专栏： numpy精学文章标签： python numpy

本文链接：https://blog.csdn.net/qq_53694275/article/details/122177603

版权

numpy精学专栏收录该内容

3 篇文章 0 订阅

订阅专栏

1.介绍

身为一个库，就必然有它封装的函数，这一节我们将学习numpy中的函数。

2.函数

2.1 数学函数

数学函数比较简单，只需简单的看一下即可，这儿不给例子。

函数名	作用	参数解读
np.sin(x)/np.cos(x)/np.tan(x)	正弦/余弦/正切	x：一个变量
np.arcsin(x)/np.arccos(x)/np.arctan(x)	反正弦/反余弦/反正切	x：一个变量
np.degrees(x)	弧度转角度	x:角度变量
np.around(x,decimals=0)	四舍五入	x：变量，decimals：保留的小数位
np.floor(x)	向下取整	x：一个变量
np.ceil(x)	向上取整	x：一个变量
np.add(a,b)	等同于a+b	a,b两个变量
np.subtract(a,b)	等同于a-b	a,b两个变量
np.multiply(A,B)	矩阵相乘	A,B两个矩阵
np.divide(a,b)	等同于a/b	a,b两个变量
np.power(x,n)	n方运算	x的n次方
np.mod(a,b)	等同于a%b	a,b两个变量

2.2 统计函数

从统计函数开始，这些函数就比较重要了，先总结一下函数，后给出例子。

值得一题的是，numpy中 axis参数代表轴，当axis=0时，表示按列做某种操作，当axis=1时，表示按行做某种操作，axis=2，按第三通道...........

也可以如此理解，如果有一个(m*n*a*b....)的矩阵,当axis=0,得到(n*a*b)矩阵；当axis=1，得到(m*a*b)的矩阵；当axis=2时，得到(m*n*b)的矩阵……

函数名	作用	参数解读
np.amin(ndarray,axis)	按axis轴寻找最小值	当axis不指定时，返回一个最小值，否则按axis轴找最小值
np.amax(ndarray,axis)	按axis轴寻找最大值	当axis不指定时，返回一个最大值，否则按axis轴找最大值
np.ptp(ndarray,axis)	返回最大值与最小值得差	当axis不指定时，返回一个极差，按axis轴找极差
np.median(ndarray,axis)	求中位数	............................................
np.mean(ndarray,axis)	求平均数	.............................................
np.average(ndarray,axis)	求加权平均值	.............................................
np.std(ndarray,axis)	求标准差	公式为:std = sqrt(mean((x - x.mean())**2))
np.var(ndarray,axis)	求方差	公式：var=mean((x - x.mean())** 2)
np.max(ndarray,axis)	==np.amax(ndarray,axis)
np.min(ndarray,axis)	==np.amin(ndarray,axis)

我们可以上个小应用，可以实现这样的一个函数，输入的ndarray数据，求统计上的变量，如可以求【均值，方差，标准差，中位数，最大值，最小值，偏度，峰度】

上代码：

import numpy as np
def deal_data(values, label,axis=None):
    """
    计算 【均值，方差，标准差，中位数，最大值，最小值，偏度，峰度】
    input:
        values : ndarray数据 m*n
        label : ['mean', 'var', 'std', 'median', 'max', 'min', 'skewness', 'kurtosis']中的一个
        axis : 0 or 1 or None  if axis = 0，每列为1个数据，if axis = 1 ，每行为1个数据
        return : 计算什么返回什么
    """
    labels = ['mean', 'var', 'std', 'median', 'max', 'min', 'skewness', 'kurtosis']
    if label not in labels:
        raise Exception('label不合理,没有相应的计算方式')
    else:
        axes = [None,0,1]
        if axis not in axes:
            raise Exception('axis参数不合理，应为None、0、1')
        if label == 'mean':
            values = np.mean(values, axis=axis)
        elif label == 'var':
            values = np.var(values, axis=axis)
        elif label == 'std':
            values = np.std(values, axis=axis)
        elif label == 'median':
            values = np.median(values, axis=axis)
        elif label == 'max':
            values = np.max(values, axis=axis)
        elif label == 'min':
            values = np.min(values, axis=axis)
        elif label == 'skewness':
            mean = np.mean(values, axis=axis)
            vars = np.var(values, axis=axis)
            if axis is not None:
                mean = np.expand_dims(mean,axis=axis)
            fenzi = np.mean((values - mean) ** 3,axis=axis)
            fenmu = vars**1.5
            values = fenzi / fenmu
        elif label == 'kurtosis': 
            vars = np.var(values, axis=axis)
            mean = np.mean(values, axis=axis)
            if axis is not None:
                mean = np.expand_dims(mean,axis=axis)
            fenzi = np.mean((values - mean) ** 4, axis=axis);
            fenmu = vars ** 2;
            values = fenzi / fenmu
    return values

a = np.array([[10,14,6],[14,20,7],[9,4,23]])
values=deal_data(a,label='kurtosis',axis=0)

2.3 排序

排序有很多方式，评判一个排序，得看其时间复杂度，空间复杂度，稳定性等总结成下表

函数为：np.sort(ndarray, axis, kind, order)

种类(kind)	速度	稳定性	最坏情况
`'quicksort'`（快速排序）	1	否	O(n^2)
`'mergesort'`（归并排序）	2	是	O(n*logn)
`'heapsort'`（堆排序）	3	否	O(n*logn)

其中参数kind：默认为快速排序，order:按什么排序。

相关的排序,获得索引的函数有：

函数名	作用
np.sort(ndarray, axis, kind, order)	升序
np.argsort(ndarray,axis)	返回升序数组对应的索引(原数组不改变)
np.argmax(ndarray,axis)	返回axis轴最大值的索引
np.argmin(ndarray,axis)	返回axis轴最小值的索引
np.nonzero(ndarray)	返回1个tuple，大小为ndarray.dim,将这些数组每个维度对应可以获得一组坐标，这些坐标就是非0值得索引
np.where(条件如ndarray>0)	返回ndarray满足条件的索引，如果是多维数组，相当于对每个指针进行操作，会获得1个tuple，大小为ndarray.dim，即满足条件的坐标为(x,y,....)
np.extract(条件,ndarray)	返回ndarray满足条件的值

上例子：

import numpy as np
a = np.array([[4,0,3],[6,3,0]])
b = np.sort(a,kind='quicksort',axis=0)
print(b)
c = np.argsort(a,axis=0)
d = np.argmax(a,axis=0)
print('c={}\nd={}'.format(c,d))
f,g = np.nonzero(a)  #因为a有两个维度，返回大小为2的tuple
#获得非0元素的个数
nonzero_nums = np.size(f)
#用where语句求0元素的个数
nonzero_nums_  = np.size(np.where(a==0)[0])
#extract求a>3的元素
a_lager_3 = np.extract(a>=3,a)

给点小运用

(1).ndarray 按行排序：实现1个这样的行数，它可以根据某一列作为关键字，按行排序

import numpy as np
def sort_rows(arr,col=0):
    """
    按行排序，默认按第1列排序
    """
    index = np.argsort(arr,axis=0)[:,col]
    values = arr[index]
    return values

a = np.array([[4,21,23],[1,30,22],[3,1,12]])
b = sort_rows(a,col=0)  #按第1列排序
print(b)

(2).大家知道 np.sort是升序操作，那我们可以实现降序的操作。

具体操作是对1个ndarray对象取符号，后升序获得索引，在引用

import numpy as np
a = np.array([4,21,23,1,30,22,3,1,12])
index = np.argsort(-a)
a_ = a[index]
print(a_)

2.4 矩阵生成

这一部分就是关于对矩阵的创建的一些函数。

函数名	作用
np.random.seed(n)	将随机数分成n个堆，产生固定的随机数顺序
np.random.rand(d1,d2,d3...)	生成大小为(d1,d2,...),值为0-1均匀分布的随机数
np.random.randn(d1,d2,d3...)	生成大小为(d1,d2,...),值为0-1正态分布的随机数
np.random.randint(low,high,size)	生成大小为size(元组),值为[low,high)的随机整数
np.random.uniform(low,high,size)	生成大小为size(元组),值为[low,high)的随机浮点数
np.ones(size)	size：元组，产生size大小的为1的矩阵
np.eyes(m,n)	产生m行n列的单位矩阵
np.empty(size)	size：元组 , 不推荐使用，此函数使用不为空矩阵，有极小的误差！
np.linspace(start,stop,num)	创建等差数列