NumPy - 统计函数

NumPy 中的统计函数

NumPy 提供了丰富的统计函数，可用于对数组执行各种统计计算。这些函数可以计算平均值、中位数、方差、标准差、最小值、最大值等指标。

NumPy 的 amin() 和 amax() 函数

numpy.amin() 函数返回给定数组中沿指定轴的元素的最小值。而 numpy.amax() 函数则返回给定数组中沿指定轴的元素的最大值。

示例

以下示例演示了如何在 NumPy 数组上使用 amin() 和 amax() 函数 -

import numpy as np
a = np.array([[3,7,5],[8,4,3],[2,4,9]])

print('我们的数组是:')
print(a)
print('
')

print('调用 amin() 函数:')
print(np.amin(a,1))
print('
')

print('再次调用 amin() 函数:')
print(np.amin(a,0))
print('
')

print('调用 amax() 函数:')
print(np.amax(a))
print('
')

print('再次调用 amax() 函数:')
print(np.amax(a, axis=0))

它将产生以下输出 -

我们的数组是:
[[3 7 5]
[8 4 3]
[2 4 9]]
调用 amin() 函数:[3 3 2]
再次调用 amin() 函数:[2 4 3]
调用 amax() 函数:9
再次调用 amax() 函数:[8 7 9]

numpy.ptp() 函数

numpy.ptp() 函数返回范围(最大值 -沿轴计算值的最小值。

示例

在下面的示例中，我们使用 ptp() 函数计算 NumPy 数组中值的范围 -

import numpy as np
a = np.array([[3,7,5],[8,4,3],[2,4,9]])

print('我们的数组是:')
print(a)
print('
')

print('调用 ptp() 函数:')
print(np.ptp(a))
print('
')

print('沿轴 1 调用 ptp() 函数:')
print(np.ptp(a, axis=1))
print('
')

print('调用沿轴 0 调用 ptp() 函数:')
print(np.ptp(a, axis=0))

以下是得到的输出 −

我们的数组是:
[[3 7 5]
[8 4 3]
[2 4 9]]
调用 ptp() 函数:7
沿轴 1 调用 ptp() 函数:[4 5 7]
沿轴 0 调用 ptp() 函数:[6 3 6]

numpy.percentile() 函数

百分位数(或百分位数)是统计学中使用的一种度量，表示一组观测值中给定百分比的观测值低于该值。

numpy.percentile() 函数计算数据沿指定轴的第 q 个百分位数。它采用以下参数 -

numpy.percentile(a, q, axis)

其中:

• a: 输入数组。
• q: 需要计算的百分位数，必须介于 0-100 之间。
• axis: 计算百分位数的轴。

示例

在此示例中，我们使用 percentile() 函数计算 NumPy 数组的第 50 个百分位数(中位数)-

import numpy as np
a = np.array([[30,40,70],[80,20,10],[50,90,60]])

print('我们的数组是:')
print(a)
print('
')

print('调用 percentile() 函数:')
print(np.percentile(a,50))
print('
')

print('沿轴 1 调用 percentile() 函数:')
print(np.percentile(a,50, axis=1))
print('
')

print('沿轴 0 调用 percentile() 函数:')
print(np.percentile(a,50, axis=0))

这将产生以下结果 -

我们的数组是:
[[30 40 70]
[80 20 10]
[50 90 60]]
调用 percentile() 函数:50.0
沿轴 1 调用 percentile() 函数:[40. 20. 60.]
沿轴 0 应用 percentile() 函数:[50. 40. 60.]

数组元素的和与积

numpy.sum() 函数计算数组中所有元素的和，而 numpy.prod() 函数计算数组中所有元素的乘积。

示例

在下面的示例中，我们使用 sum() 和 prod() 函数计算 NumPy 数组中元素的和与乘积 -

import numpy as np 

# 创建一个 NumPy 数组
data = np.array([1, 2, 3, 4])

# 计算数组的和
sum_value = np.sum(data)

# 计算数组的乘积
prod_value = np.prod(data)

print(f"数组的和:{sum_value}")
print(f"数组的乘积:{prod_value}")

它将产生以下输出 -

数组的和:10
数组的乘积:24

numpy.median() 函数

numpy.median() 函数计算沿指定轴的中位数。如果未指定轴，则计算展平数组的中位数。中位数定义为分隔数据样本上半部分和下半部分的值。

示例

在下面的示例中，我们使用 median() 函数查找 NumPy 数组中元素的中位数 -

import numpy as np
a = np.array([[30,65,70],[80,95,10],[50,90,60]])

print('我们的数组是:')
print(a)
print('
')

print('调用 median() 函数:')
print(np.median(a))
print('
')

print('沿轴 0 调用 median() 函数:')
print(np.median(a, axis=0))
print('
')

print('沿轴 1 调用 median() 函数:')
print(np.median(a, axis=1))

以下是上述代码的输出 -

我们的数组是:
[[30 65 70]
[80 95 10]
[50 90 60]]
调用 median() 函数:65.0
沿轴 0 调用 median() 函数:[50. 90. 60.]
沿轴 1 调用 median() 函数:[65. 80. 60.]

numpy.mean() 函数

numpy.mean() 函数返回数组中元素的算术平均值。如果没有指定轴，则计算扁平数组的平均值。算术平均值是沿某个轴的元素之和除以元素数量。

示例

在下面的示例中，我们使用 mean() 函数计算 NumPy 数组中元素的平均值 -

import numpy as np
a = np.array([[1,2,3],[3,4,5],[4,5,6]])

print('我们的数组是:')
print(a)
print('
')

print('调用 mean() 函数:')
print(np.mean(a))
print('
')

print('沿 0 轴调用 mean() 函数:')
print(np.mean(a, axis=0))
print('
')

print('沿轴 1 应用 mean() 函数:')
print(np.mean(a, axis=1))

得到的输出如下所示 -

我们的数组是:
[[1 2 3]
[3 4 5]
[4 5 6]]
应用 mean() 函数:3.666666666666665
沿轴 0 应用 mean() 函数:[2.66666667 3.66666667 4.66666667]
沿轴 1 应用 mean() 函数:[2. 4. 5.]

numpy.average() 函数

numpy.average() 函数根据数组中元素各自的权重计算它们的加权平均值。加权平均值是将每个元素乘以一个因子得到的平均值。

示例

在下面的示例中，我们使用 average() 函数(带权重和不带权重)计算 NumPy 数组中元素的平均值 -

import numpy as np 
a = np.array([1,2,3,4]) 

print('我们的数组是:')
print(a)
print('
')

print('不带权重调用 average() 函数:')
print(np.average(a))
print('
')

wts = np.array([4,3,2,1])

print('带权重调用 average() 函数:')
print(np.average(a,weights=wts))
print('
')

print('权重总和')
print(np.average([1,2,3,4],weights=[4,3,2,1], returned=True))

它将产生以下输出 −

我们的数组是:[1 2 3 4]
不带权重调用 average() 函数:2.5
调用 average()带权重的函数:2.0
权重和 (2.0, 10.0)

numpy.std() 函数

numpy.std() 函数返回数组中元素的标准差。 标准差是与均值的平方差的平均值的平方根，即 std = sqrt(mean(abs(x - x.mean())**2))。

示例

在下面的示例中，我们使用 std() 函数计算 NumPy 数组的标准差 -

import numpy as np
print(np.std([1,2,3,4]))

执行上述代码后，我们得到以下输出 -

1.118033988749895

numpy.var() 函数

numpy.var() 函数返回数组中元素的方差。方差是方差的平均值，即 var = mean(abs(x - x.mean())**2)。

示例

在以下示例中，我们使用 var() 函数计算 NumPy 数组的方差 -

import numpy as np
print(np.var([1,2,3,4]))

我们得到如下所示的输出 -

1.25

相关系数

numpy.corrcoef() 函数返回输入数组的皮尔逊相关系数。它对于确定两个变量之间的关系非常有用。

示例

在下面的示例中，我们使用 corrcoef() 函数计算两个数组的相关系数矩阵 -

import numpy as np

# 定义两个数组
data1 = np.array([1, 2, 3, 4, 5])
data2 = np.array([5, 4, 3, 2, 1])

# 计算相关系数
corr_coef = np.corrcoef(data1, data2)

print("相关系数矩阵:")
print(corr_coef)

结果如下所示 -

相关系数矩阵:
[[ 1. -1.]
[-1. 1.]]

统计函数

以下是 Numpy 中不同的统计函数 -