NumPy имеет довольно много полезных статистических функций для нахождения минимального, максимального, процентильного стандартного отклонения и дисперсии и т. Д. Из заданных элементов в массиве. Функции объясняются следующим образом:
numpy.amin () и numpy.amax ()
Эти функции возвращают минимум и максимум из элементов данного массива вдоль указанной оси.
пример
import numpy as np a = np.array([[3,7,5],[8,4,3],[2,4,9]]) print 'Our array is:' print a print '\n' print 'Applying amin() function:' print np.amin(a,1) print '\n' print 'Applying amin() function again:' print np.amin(a,0) print '\n' print 'Applying amax() function:' print np.amax(a) print '\n' print 'Applying amax() function again:' print np.amax(a, axis = 0)
Это даст следующий результат —
Our array is: [[3 7 5] [8 4 3] [2 4 9]] Applying amin() function: [3 3 2] Applying amin() function again: [2 4 3] Applying amax() function: 9 Applying amax() function again: [8 7 9]
numpy.ptp ()
Функция numpy.ptp () возвращает диапазон (максимум-минимум) значений вдоль оси.
import numpy as np a = np.array([[3,7,5],[8,4,3],[2,4,9]]) print 'Our array is:' print a print '\n' print 'Applying ptp() function:' print np.ptp(a) print '\n' print 'Applying ptp() function along axis 1:' print np.ptp(a, axis = 1) print '\n' print 'Applying ptp() function along axis 0:' print np.ptp(a, axis = 0)
Это даст следующий результат —
Our array is: [[3 7 5] [8 4 3] [2 4 9]] Applying ptp() function: 7 Applying ptp() function along axis 1: [4 5 7] Applying ptp() function along axis 0: [6 3 6]
numpy.percentile ()
Процентиль (или процентиль) — это показатель, используемый в статистике, показывающий значение, ниже которого падает определенный процент наблюдений в группе наблюдений. Функция numpy.percentile () принимает следующие аргументы.
numpy.percentile(a, q, axis)
Куда,
Sr.No. | Аргумент и описание |
---|---|
1 |
Входной массив |
2 |
Q Процент для вычисления должен быть между 0-100 |
3 |
ось Ось, по которой рассчитывается процентиль |
Входной массив
Q
Процент для вычисления должен быть между 0-100
ось
Ось, по которой рассчитывается процентиль
пример
import numpy as np a = np.array([[30,40,70],[80,20,10],[50,90,60]]) print 'Our array is:' print a print '\n' print 'Applying percentile() function:' print np.percentile(a,50) print '\n' print 'Applying percentile() function along axis 1:' print np.percentile(a,50, axis = 1) print '\n' print 'Applying percentile() function along axis 0:' print np.percentile(a,50, axis = 0)
Это даст следующий результат —
Our array is: [[30 40 70] [80 20 10] [50 90 60]] Applying percentile() function: 50.0 Applying percentile() function along axis 1: [ 40. 20. 60.] Applying percentile() function along axis 0: [ 50. 40. 60.]
numpy.median ()
Медиана определяется как значение, отделяющее верхнюю половину выборки данных от нижней. Функция numpy.median () используется, как показано в следующей программе.
пример
import numpy as np a = np.array([[30,65,70],[80,95,10],[50,90,60]]) print 'Our array is:' print a print '\n' print 'Applying median() function:' print np.median(a) print '\n' print 'Applying median() function along axis 0:' print np.median(a, axis = 0) print '\n' print 'Applying median() function along axis 1:' print np.median(a, axis = 1)
Это даст следующий результат —
Our array is: [[30 65 70] [80 95 10] [50 90 60]] Applying median() function: 65.0 Applying median() function along axis 0: [ 50. 90. 60.] Applying median() function along axis 1: [ 65. 80. 60.]
numpy.mean ()
Среднее арифметическое — это сумма элементов вдоль оси, деленная на количество элементов. Функция numpy.mean () возвращает среднее арифметическое значений элементов в массиве. Если ось упоминается, она рассчитывается вдоль нее.
пример
import numpy as np a = np.array([[1,2,3],[3,4,5],[4,5,6]]) print 'Our array is:' print a print '\n' print 'Applying mean() function:' print np.mean(a) print '\n' print 'Applying mean() function along axis 0:' print np.mean(a, axis = 0) print '\n' print 'Applying mean() function along axis 1:' print np.mean(a, axis = 1)
Это даст следующий результат —
Our array is: [[1 2 3] [3 4 5] [4 5 6]] Applying mean() function: 3.66666666667 Applying mean() function along axis 0: [ 2.66666667 3.66666667 4.66666667] Applying mean() function along axis 1: [ 2. 4. 5.]
numpy.average ()
Средневзвешенное значение — это среднее значение, полученное в результате умножения каждого компонента на коэффициент, отражающий его важность. Функция numpy.average () вычисляет средневзвешенное значение элементов в массиве в соответствии с их весом, заданным в другом массиве. Функция может иметь параметр оси. Если ось не указана, массив выравнивается.
С учетом массива [1,2,3,4] и соответствующих весов [4,3,2,1] средневзвешенное значение рассчитывается путем сложения произведения соответствующих элементов и деления суммы на сумму весов.
Средневзвешенное значение = (1 * 4 + 2 * 3 + 3 * 2 + 4 * 1) / (4 + 3 + 2 + 1)
пример
import numpy as np a = np.array([1,2,3,4]) print 'Our array is:' print a print '\n' print 'Applying average() function:' print np.average(a) print '\n' # this is same as mean when weight is not specified wts = np.array([4,3,2,1]) print 'Applying average() function again:' print np.average(a,weights = wts) print '\n' # Returns the sum of weights, if the returned parameter is set to True. print 'Sum of weights' print np.average([1,2,3, 4],weights = [4,3,2,1], returned = True)
Это даст следующий результат —
Our array is: [1 2 3 4] Applying average() function: 2.5 Applying average() function again: 2.0 Sum of weights (2.0, 10.0)
В многомерном массиве можно указать ось для вычисления.
пример
import numpy as np a = np.arange(6).reshape(3,2) print 'Our array is:' print a print '\n' print 'Modified array:' wt = np.array([3,5]) print np.average(a, axis = 1, weights = wt) print '\n' print 'Modified array:' print np.average(a, axis = 1, weights = wt, returned = True)
Это даст следующий результат —
Our array is: [[0 1] [2 3] [4 5]] Modified array: [ 0.625 2.625 4.625] Modified array: (array([ 0.625, 2.625, 4.625]), array([ 8., 8., 8.]))
Стандартное отклонение
Стандартное отклонение — это квадратный корень из среднего квадрата отклонений от среднего. Формула для стандартного отклонения выглядит следующим образом:
std = sqrt(mean(abs(x - x.mean())**2))
Если массив [1, 2, 3, 4], то его среднее значение равно 2,5. Следовательно, квадратичные отклонения составляют [2,25, 0,25, 0,25, 2,25], а квадратный корень из его среднего значения делится на 4, т. Е. Sqrt (5/4) составляет 1.1180339887498949.
пример
import numpy as np print np.std([1,2,3,4])
Это даст следующий результат —
1.1180339887498949
отклонение
Дисперсия — это среднее квадратов отклонений, т. Е. Среднее (abs (x — x.mean ()) ** 2) . Другими словами, стандартное отклонение является квадратным корнем дисперсии.
пример
import numpy as np print np.var([1,2,3,4])
Это даст следующий результат —