numpy的统计函数

sum(a, axis=None) 根据轴计算元素和，axis整数或元组
mean(a, axis=None) 根据轴计算元素期望
average(a, axis=None, weights=None) 根据轴计算加权平均数
std(a, axis=None)根据轴计算标准差
var(a, axis=None) 根据轴计算方差 
min(a), max(a)   数组中最大值，最小值
argmin(a), argmax(a) 最大值，最小值降一维后下标
unravel_index(index, shape)根据shape将一维下标转为多维下标
ptp(a) 数组中最大值与最小值差
median(a) 数组中中位数（中值）

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
 

numpy的梯度函数

gradient(a) 计算数组的梯度

梯度：连续值之间的变化率，即斜率
XY坐标轴连续三个X坐标对应的Y轴值：a, b, c，其中，b的梯度是： (c‐a)/2
存在两侧值：b = (c‐a)/2
只有一侧值：c = (c‐b)/1

  

 

  
1
  
2
  
3
  
4
  
5
  
6
 

代码实例

# -*- coding: utf-8 -*-

# @File : func_demo.py
# @Date : 2018-05-06

import numpy as np

# 初始化测试多维数组
np.random.seed(10)
a = np.random.randint(1, 100, (3, 4))
print(a)
"""
[[10 16 65 29]
 [90 94 30  9]
 [74  1 41 37]]
"""

# 求和
b = np.sum(a)
print(b)  # 496

# 期望
c = np.mean(a, axis=1)
print(c)
# [30.   55.75 38.25]

# 加权平均数
d = np.average(a, axis=1, weights=[10, 5, 1, 1])
print(d)
# [16.11764706 82.88235294 48.41176471]

# 标准差
e = np.std(a)
print(e)
# 30.774267750111548

# 方差
f = np.var(a)
print(f)
# 947.0555555555557

# 最大值与最小值
print(np.min(a)) # 1
print(np.max(a)) # 94

# 扁平化后的下标
print(np.argmin(a)) # 9
print(np.argmax(a)) # 5

# 重塑成多维下标
print(np.unravel_index(np.argmin(a), a.shape))
# (2, 1)

# 数组中最大值与最小值差
print(np.ptp(a)) # 93

# 数组中位数（中值）
print(np.median(a)) # 33.5

# 计算梯度
print(np.gradient(a))
"""
[array([[ 80. ,  78. , -35. , -20. ], [ 32. ,  -7.5, -12. ,   4. ], [-16. , -93. ,  11. ,  28. ]]), 
array([[  6. ,  27.5,   6.5, -36. ], [  4. , -30. , -42.5, -21. ], [-73. , -16.5,  18. ,  -4. ]])]
"""
  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
  
47
  
48
  
49
  
50
  
51
  
52
  
53
  
54
  
55
  
56
  
57
  
58
  
59
  
60
  
61
  
62
  
63
  
64
  
65
  
66
  
67
  
68
  
69
 

文章来源: pengshiyu.blog.csdn.net，作者：彭世瑜，版权归原作者所有，如需转载，请联系作者。

原文链接：pengshiyu.blog.csdn.net/article/details/80217425