numpy常用函数

numpy 读写文件

#写：函数将数据a存储到test.txt文件中
np.savetxt('test.txt', a)

#
读表示读取test.csv文件，分隔符设置
为‘，’（delimiter=','），usecols表示
取得哪几列数据，unpack=True表示分
拆存储不同列的数据，即分别将第6列与
第7列数据赋值给变量x,y
'''
x, y = np.loadtxt('test.csv', delimiter=',', usecols=(6,7), unpack=True)

数据分析常用函数

#加权平均，v作为权重参数
np.average(c, weights=v)

#算术平均
np.mean(c)

#取值范围
np.max(c)
np.min(c)

#ptp函数返回最大值与最小值之间的差值
np.ptp(c)

#median函数返回中位数
np.median(c)

#var方差
np.var(c)

#diff函数返回一个由相邻数组元素的差值构成的数组
np.diff(c)

#std函数计算标准差
np.std(c)

#where函数根据指定的条件返回所有满足条件的数组元素的索引值
idx = np.where(c>6)
# take函数按照索引值从数组中取出相应的元素,np.take(c,np.where(c>6))
data = np.take(idx)

#argmin返回是c数组中最小元素的索引值，argmax返回最大值索引值
np.argmin(c)
np.argmax(c)

#maximum函数可返回多个数组里的各最大值
np.maximum(a, b, c)
#同理minximum返回最小值

#exp函数可计算每个数组元素的指数
np.exp(x)

#linspace(s, e, [n])函数起始s, 终止e，个数n(可选)，返回一个元素值在指定的范围内均匀分布的数组
np.linspace(-1, 0, 5)

#fill函数，将数组元素的值全部设置为一个指定的标量值

数据的修剪与压缩

#clip方法将所有比给定最大值还大的元素全部设为给定的最大值，而所有
#比给定最小值还小的元素全部设定为给定的最小值
a = np.arange(5)
a.clip(1,2)

#compress方法返回一个根据给定条件筛选后的数组
a = np.arange(4)
a.compress(a>2)
#[3]

数据的相关性

#协方差，描述两个变量共同变化趋势
c = np.cov(a,b)

#diagonal返回对角线上的元素
c.diagonal()

#trace计算矩阵的迹，即对角线上元素之和
c.trace()

#corrcoef函数计算相关系数（或者更精确地，相关系数矩阵）
np.corrcoef(a, b)

corrcoef()叫做皮尔逊系数，返回的是一个矩阵
a = pd.Series([1,2,3,4,5,6,7,8,9,10])
b = pd.Series([2,4,1,5,1,3,6,2,7,0])
c = pd.Series([0,3,2,1,4,7,1,9,6,2])
x = np.vstack((a,b,c))
r = np.corrcoef(x)
print ( r )
输出：
[[1. 0.10233683 0.47840854]
[0.10233683 1. 0.0242104 ]
[0.47840854 0.0242104 1. ]]
需要注意的是, np.corrcoef() 接受的参数是一个矩阵,返回的结果也是一个矩阵

以上面的代码为例: a,b,c 分别为第0,1,2 组数组,返回的矩阵结果r[i][j] 分别为第 i 组数据和第 j 组数据的皮尔逊积矩相关系数:

r[0][0] 计算的是第 [0] 组数组和第 [0] 组数据的相关系数,也就是 a 和 a,结果当然是1.

r[0][1] 计算的是第 [0] 组数组和第 [1] 组数据的相关系数,也就是 a和 b,结果是0.10233683

r[2][0] 计算的是第 [2] 组数组和第 [0] 组数据的相关系数,也就是 c和 a,结果是0.47840854