1.前言

使用一組數學函數對numpy數組進行操作的時候，有兩種方式計算：對整個數組進行計算；

對源數組的某個軸向的數據進行統計計算；

2.下面是基本的數組統計方法數組統計方法

3.統計函數的分類

下面的所有統計方法，即可以當做數組的實例方法調用，也可以當做頂級numpy函數使用。

import numpy as nparr = np.random.randn(5,4)print(np.xxx(arr))print(arr.xxx())

聚合計算(aggregation,通常叫做約簡(reduction))。而不聚合也就是方法調用返回的結果是一個由中間結果組成的數組。聚合計算的方法

import numpy as np

arr = np.random.randn(5,4)#正太分布數據

print("數組中元素求和：",arr.sum())

print("算術平均數：",arr.mean())

print("標準差和方差：",arr.std(),arr.var())

print("最大值和最小值：",arr.max(),arr.min())

數組中元素求和： -2.84952437344

算術平均數： -0.142476218672

標準差和方差： 0.896244709803 0.803254579849

最大值和最小值： 1.95081773969 -1.87576739314

而cumsum以及cumprod方法就是非聚合方法，他返回的是由中間結果組成的一個數組，這樣說有點不好理解，下面我使用例子來進行說明。

當然還是先從最簡單的二維數組為例說明：

import numpy as np

arr = np.arange(12).reshape(3,4)

print(arr)

print('-----axis = 0-----')

arr_axi0 = np.cumsum(arr,axis = 0)

print(arr_axi0)

print('-----axis = 1-----')

arr_axi1 = np.cumsum(arr,axis = 1)

print(arr_axi1)

[[ 0 1 2 3]

[ 4 5 6 7]

[ 8 9 10 11]]

-----axis = 0-----

[[ 0 1 2 3]

[ 4 6 8 10]

[12 15 18 21]]

-----axis = 1-----

[[ 0 1 3 6]

[ 4 9 15 22]

[ 8 17 27 38]]

從我以前的numpy文章中可以知道對于二維數組他的axis的值與行和列之間的關系二維數組的axis

由此我們也可以看出對于二維數組我們的參數axis的值只能是0和1，那么如何去理解非聚合計算的結果由中間值組成的數組呢？axis = 0的時候，知道他是從行的角度去考慮函數，那如果是一般的聚合計算的函數，如sum...他們返回的是一個向量。但是對于非聚合計算的函數，他們返回的數組shape函數原來數組的shape，他們每一行的值都是上一行值與本行值的和(當然如果使用cumprop方法的話就是上一行值與本行值的積)。

axis = 1的時候，其實和axis = 0的一樣，只不過是這里的方向是從列的方向去考慮，也就是shape還和源數組的shape相同，但是其中每一列的值就是本列與上一列的值組成的新列(當然如果使用cumprop方法的話就是上一行值與本行值的積)。

總結

以上是生活随笔為你收集整理的python数学计算模块_Python-NumPy模块数学和统计方法(4)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。