一维数组
#沿轴向进行计算,一维数组只有一个0轴
import numpy as np
a = np.array([1,2,3,4,3,5,3,6])
print(f'数组:{a}')
print(np.sum(a))
print(np.prod(a))
print(np.cumsum(a)) # 从0开始元素的累积和
print(np.cumprod(a)) # 从1开始元素的累积积
print(np.max(a))
print(np.min(a))
print(np.argmax(a)) # 最大值所在的下标
print(np.argmin(a)) # 最小值所在的下标
print(np.mean(a)) # 平均数
print(np.median(a)) # 中位数
print(np.average(a)) # 加权平均
counts = np.bincount(a) # 统计非负整数的个数,不能统计浮点数
print(np.argmax(counts)) # 返回众数,此方法不能用于二维数组
#Numpy中没有直接的方法求众数,但是可以这样实现:
import numpy as np
# bincount():统计非负整数的个数,不能统计浮点数
counts = np.bincount(nums)
#返回众数
np.argmax(counts)
二维数组
import numpy as np
from scipy import stats
a = np.array([[1,3,6],[9,2,3],[2,3,3]])
print(f'数组:\n{a}')
print('-'*30)
print(np.sum(a))
print(np.prod(a))
print(np.cumsum(a)) # 从0开始元素的累积和,返回一维数组
print(np.cumprod(a)) # 从1开始元素的累积积,返回一维数组
print(np.max(a))
print(np.min(a))
print(np.argmax(a))
print(np.argmin(a))
print(np.mean(a))
print(np.median(a))
print(np.average(a))
axis的方法
axis=0代表行,axis=1代表列
所有的数学和统计函数都有这个参数,都可以使用
import numpy as np
a = np.array([[1,3,6],[9,3,2],[1,4,3]])
print(f'数组:\n{a}')
print('-'*30)
print(np.sum(a,axis=0)) # 每行中的每个对应元素相加,返回一维数组
print('-'*30)
print(np.sum(a,axis=1)) # 每列中的每个元素相加,返回一维数组
- 其中思路正好是反的:axis=0 求每列的和。axis=1求每行的和。
- 行:每行对应一个样本数据
- 列:每列代表样本的一个特征
- 数组对应到现实中的一种解释:
- 行:每行对应一个样本数据
- 列:每列代表样本的一个特征
- 数据标准化
- 对于机器学习、神经网络来说,不同列的量钢是相同的,收敛更快。
- 有两个特征,一个是商品单价1元至50元,另一个是销售数量3千个至1万个,这两个数字不可比,所以需要都做标准化。
- 比如在Excel里,单价一个列,销售数量一个列,不同列代表不同特征,所以用axis=0做计算
- 标准化一般使用:通过均值和方差实现
数组 = (数组 - mean(数组,axis=0))/ std(数组, axis=0)