Numpy统计计算、数组比较，看这篇就够了
導讀：工欲善其事，必先利其器。此前，我們在《玩數據必備Python庫：Numpy使用詳解》一文中介紹了利用Numpy進行矩陣運算的方法，本文繼續介紹Numpy的統計計算及其他科學運算的方法。
?
作者：魏溪含 涂銘 張修鵬
來源：大數據DT（ID：bigdatadt）
?
?
?
?
01 Numpy的統計計算方法
?
NumPy內置了很多計算方法，其中最重要的統計方法及說明具體如下。
?
-
sum()：計算矩陣元素的和；矩陣的計算結果為一個一維數組，需要指定行或者列。
-
mean()：計算矩陣元素的平均值；矩陣的計算結果為一個一維數組，需要指定行或者列。
-
max()：計算矩陣元素的最大值；矩陣的計算結果為一個一維數組，需要指定行或者列。
-
mean()：計算矩陣元素的平均值。
-
median()：計算矩陣元素的中位數。
?
需要注意的是，用于這些統計方法的數值類型必須是int或者float。
?
數組示例代碼如下：
?
vector?=?numpy.array([5,?10,?15,?20]) vector.sum()?
得到的結果是50
?
矩陣示例代碼如下：
?
matrix= array([[?5,?10,?15],[20,?10,?30],[35,?40,?45]]) matrix.sum(axis=1) array([?30,??60,?120]) matrix.sum(axis=0) array([60,?60,?90])?
如上述例子所示，axis = 1計算的是行的和，結果以列的形式展示。axis = 0計算的是列的和，結果以行的形式展示。
?
延伸學習：
?
官方推薦教程是不錯的入門選擇。
?
https://docs.scipy.org/doc/numpy-dev/user/quickstart.html
?
?
02 Numpy中的arg運算
?
argmax函數就是用來求一個array中最大值的下標。簡單來說，就是最大的數所對應的索引（位置）是多少。示例代碼如下：
?
index2?=?np.argmax([1,2,6,3,2])????????#返回的是2?
argmin函數可用于求一個array中最小值的下標，用法與argmax類似。示例代碼如下：
?
index2?=?np.argmin([1,2,6,3,2])?#返回的是0?
下面我們來探索下Numpy矩陣的排序和如何使用索引，示例代碼如下：
?
import?numpy?as?np x?=?np.arange(15) print(x)????#?array([?0,??1,??2,??3,??4,??5,??6,??7,??8,??9,?10,?11,?12,?13,?14]) np.random.shuffle(x)????#隨機打亂 print(x)????#?array([?8,?13,?12,??3,??9,??2,?10,??0,?11,??5,?14,??7,??1,??4,??6]) sx?=?np.argsort(x)????#從小到大排序，返回索引值 print(sx)????#?[?7?12??5??3?13??9?14?11??0??4??6??8??2??1?10]?
這里簡單解釋一下，第一個元素7代表的是x向量中的0的索引地址，第二個元素12代表的是x向量中的1的索引地址，其他元素以此類推。
?
?
03 FancyIndexing
?
要索引向量中的一個值是比較容易的，比如通過x[0]來取值。但是，如果想要更復雜地取數，比如，需要返回第3個、第5個以及第8個元素時，應該怎么辦？示例代碼如下：
?
import?numpy?as?np x?=?np.arange(15) ind?=?[3,5,8] print(x[ind])?#使用fancyindexing就可以解決這個問題?
我們也可以從一維向量中構成新的二維矩陣，示例代碼如下：
?
import?numpy?as?np x?=?np.arange(15) np.random.shuffle(x) ind?=?np.array([[0,2],[1,3]])??#第一行需要取x向量中索引為0的元素，以及索引為2的元素，第二行需要取x向量中索引為1的元素以及索引為3的元素 print(x) print(x[ind])?
我們來看下輸出結果很容易就能明白了：
?
[?3??2??7?12??9?13?11?14?10??5??4??1??6??8??0] [[?3??7][?2?12]]?
?
對于二維矩陣，我們使用fancyindexing取數也是比較容易的，示例代碼如下：
?
import?numpy?as?np x?=?np.arange(16) X?=?x.reshape(4,-1) row?=?np.array([0,1,2]) col?=?np.array([1,2,3]) print(X[row,col])????????#相當于取三個點，分別是(0,1),(1,2),(2,3) print(X[1:3,col])????????#相當于取第2、3行，以及需要的列?
?
04 Numpy數組比較
?
Numpy有一個強大的功能是數組或矩陣的比較，數據比較之后會產生boolean值。示例代碼如下：
?
import?numpy?as?np matrix?=?np.array([[5,?10,?15], [20,?25,?30], [35,?40,?45] ]) m?=?(matrix?==?25) print(m)?
我們看到輸出的結果如下：
?
[[False?False?False][False??True?False][False?False?False]]?
下面再來看一個比較復雜的例子，示例代碼如下：
?
import?numpy?as?np matrix?=?np.array([ [5,?10,?15], [20,?25,?30], [35,?40,?45]]) second_column_25?=??(matrix[:,1]?==?25) print(second_column_25) print(matrix[second_column_25,?:])?
上述代碼中，print(second_column_25)輸出的是[False, True False]，首先matrix[:,1]代表的是所有的行，以及索引為1的列，即[10,25,40]，最后與25進行比較，得到的就是[False, True, False]。print(matrix[second_column_25, :])代表的是返回true值的那一行數據，即 [20, 25, 30]。
?
注意：上述的示例是單個條件，Numpy也允許我們使用條件符來拼接多個條件，其中“&”代表的是“且”，“|”代表的是“或”。比如，vector=np.array([5,10,11,12]), equal_to_five_and_ten = (vector == 5) & (vector == 10)返回的都是false，如果是equal_to_five_or_ten = (vector == 5) | (vector == 10)，則返回的是[True,True,False,False]。
?
比較之后，我們就可以通過np.count_nonzero(x<=3)來計算小于等于3的元素個數了，1代表True，0代表False。也可以通過np.any(x == 0)，只要x中有一個元素等于0就返回True。np.all(x>0)則需要所有的元素都大于0才返回True。這一點可以幫助我們判斷x里的數據是否滿足一定的條件。
?
關于作者：魏溪含 ，愛丁堡大學人工智能碩士，阿里巴巴達摩院算法專家，在計算機視覺、大數據領域有8年以上的算法架構和研發經驗。
涂銘，阿里巴巴數據架構師，對大數據、自然語言處理、圖像識別、Python、Java相關技術有深入的研究，積累了豐富的實踐經驗。
張修鵬，畢業于中南大學，阿里巴巴技術發展專家，長期從事云計算、大數據、人工智能與物聯網技術的商業化應用，在阿里巴巴首次將圖像識別技術引入工業，并推動圖像識別產品化、平臺化。
?
本文摘編自《深度學習與圖像識別：原理與實踐》，經出版方授權發布。
?
延伸閱讀《深度學習與圖像識別：原理與實踐》
點擊上圖了解及購買
轉載請聯系微信：DoctorData
?
推薦語：阿里巴巴達摩院算法專家、阿里巴巴技術發展專家、阿里巴巴數據架構師聯合撰寫，從技術原理、算法和工程實踐3個維度系統展開，既適合零基礎讀者快速入門，又適合有基礎讀者理解其核心技術；寫作方式上避開了艱澀的數學公式及其推導，深入淺出。
?
?
「大數據」內容合伙人之「鑒書小分隊」上線啦！
?
最近，你都在讀什么書？有哪些心得體會想要跟大家分享？
?
數據叔最近搞了個大事——聯合優質圖書出版商機械工業出版社華章公司發起鑒書活動。
?
簡單說就是：你可以免費讀新書，你可以免費讀新書的同時，順手碼一篇讀書筆記就行。詳情請在大數據公眾號后臺對話框回復合伙人查看。
?
?
有話要說?
?
Q:?你用Numpy進行哪些運算？
歡迎留言與大家分享
?
猜你想看?
?
-
?
-
?
-
?
-
?
?
更多精彩?
?
在公眾號對話框輸入以下關鍵詞
查看更多優質內容！
?
PPT?|?報告?|?讀書?|?書單?|?干貨?
大數據?|?揭秘?|?Python?|?可視化
AI?|?人工智能?|?5G?|?中臺
機器學習?|?深度學習?|?神經網絡
合伙人?|?1024?|?段子?|?數學
?
據統計，99%的大咖都完成了這個神操作
?
?
?
覺得不錯，請把這篇文章分享給你的朋友
轉載 / 投稿請聯系：baiyu@hzbook.com
更多精彩，請在后臺點擊“歷史文章”查看
點擊閱讀原文，了解更多
總結
以上是生活随笔為你收集整理的Numpy统计计算、数组比较，看这篇就够了的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 关于数据预处理的7个重要知识点，全在这儿
- 下一篇： 做决定前别拍脑袋：两个成功案例看懂A/B