上一篇介紹的通用計算是關于多個numpy陣列的計算，
本篇介紹的聚合計算一般是針對單個資料集的各種統計結果，同樣，使用聚合函式，也可以避免繁瑣的回圈陳述句的撰寫，
元素的和
陣列中的元素求和也就是合計值，
呼叫方式
聚合計算有兩種呼叫方式，一種是面向物件的方式，作為numpy陣列物件的方法來呼叫：
import numpy as np
arr = np.random.randint(1, 10, (3, 3))
print(arr)
#運行結果
[[8 3 4]
[4 4 1]
[6 6 3]]
arr.sum()
#運行結果
39
另一種是函式式呼叫的方式：
import numpy as np
arr = np.random.randint(1, 10, (3, 3))
print(arr)
#運行結果
[[8 3 4]
[4 4 1]
[6 6 3]]
np.sum(arr)
#運行結果
39
下面演示各種聚合計算的方法時，都采用函式式呼叫的方式，不再一一贅述了，
整體統計
整體統計就是統計陣列所有值的和，
arr = np.random.randint(1, 10, (3, 3))
print(arr)
#運行結果
[[6 3 1]
[1 9 2]
[1 2 5]]
np.sum(arr)
#運行結果：30
按維度統計
比如上面的二維陣列，按維度統計就是按行或者列來統計，而不是把所有值加在一起，
arr = np.random.randint(1, 10, (3, 3))
print(arr)
#運行結果
[[6 3 1]
[1 9 2]
[1 2 5]]
#統計每列的合計值
np.sum(arr, axis=0)
#運行結果：array([ 8, 14, 8])
#統計每行的合計值
np.sum(arr, axis=1)
#運行結果：array([10, 12, 8])
元素的積
元素的積的聚合統計就是各個元素相乘的結果，
對應的函式是：np.prod
整體統計
arr = np.random.randint(1, 10, (3, 3))
print(arr)
#運行結果
[[6 3 1]
[1 9 2]
[1 2 5]]
np.prod(arr)
#運行結果：3240
按維度統計
arr = np.random.randint(1, 10, (3, 3))
print(arr)
#運行結果
[[6 3 1]
[1 9 2]
[1 2 5]]
#統計每列的聚合值
np.prod(arr, axis=0)
#運行結果：array([ 6, 54, 10])
#統計每行的聚合值
np.prod(arr, axis=1)
#運行結果：array([18, 18, 10])
元素的平均值和中位數
平均值對應的函式是：np.mean，中位數對應的函式是：np.median，
整體統計
arr = np.random.randint(1, 10, (3, 3))
print(arr)
#運行結果
[[6 3 1]
[1 9 2]
[1 2 5]]
#平均值
np.mean(arr)
#運行結果：3.33333333
#中位數
np.median(arr)
#運行結果：2.0
按維度統計
arr = np.random.randint(1, 10, (3, 3))
print(arr)
#運行結果
[[6 3 1]
[1 9 2]
[1 2 5]]
#按列統計平均值
np.mean(arr, axis=0)
#運行結果：array([2.66666667, 4.66666667, 2.66666667])
#按行統計平均值
np.mean(arr, axis=1)
#運行結果：array([3.33333333, 4. , 2.66666667])
#按列統計中位數
np.median(arr, axis=0)
#運行結果：array([1., 3., 2.])
#按行統計中位數
np.median(arr, axis=1)
#運行結果：array([3., 2., 2.])
元素的標準差和方差
標準差對應的函式是：np.std，方差對應的函式是：np.var，
整體統計
arr = np.random.randint(1, 10, (3, 3))
print(arr)
#運行結果
[[6 3 1]
[1 9 2]
[1 2 5]]
#標準差
np.std(arr)
#運行結果：2.6246692913372702
#方差
np.var(arr)
#運行結果：6.888888888888889
按維度統計
arr = np.random.randint(1, 10, (3, 3))
print(arr)
#運行結果
[[6 3 1]
[1 9 2]
[1 2 5]]
#按列統計標準差
np.std(arr, axis=0)
#運行結果：array([2.3570226 , 3.09120617, 1.69967317])
#按行統計標準差
np.std(arr, axis=1)
#運行結果：array([2.05480467, 3.55902608, 1.69967317])
#按列統計方差
np.var(arr, axis=0)
#運行結果：array([5.55555556, 9.55555556, 2.88888889])
#按行統計方差
np.var(arr, axis=1)
#運行結果：array([ 4.22222222, 12.66666667, 2.88888889])
最大值和最小值
最大值對應的函式是：np.max，最小值對應的函式是：np.min，
整體統計
arr = np.random.randint(1, 10, (3, 3))
print(arr)
#運行結果
[[6 3 1]
[1 9 2]
[1 2 5]]
#最大值
np.max(arr)
#運行結果：9
#最小值
np.min(arr)
#運行結果：1
按維度統計
arr = np.random.randint(1, 10, (3, 3))
print(arr)
#運行結果
[[6 3 1]
[1 9 2]
[1 2 5]]
#按列統計最大值
np.max(arr, axis=0)
#運行結果：array([6, 9, 5])
#按行統計最大值
np.max(arr, axis=1)
#運行結果：array([6, 9, 5])
#按列統計最小值
np.min(arr, axis=0)
#運行結果：array([1, 2, 1])
#按行統計最小值
np.min(arr, axis=1)
#運行結果：array([1, 1, 1])
總結回顧
本篇介紹了最常用的聚合計算函式，聚合計算通常用于對資料進行處理和分析，以及實作高級的資料分析演算法，
除了上面介紹的聚合計算函式，還有：
- cumsum()：計算陣列中所有元素的累積和，
- cumprod()：計算陣列中所有元素的累積乘積，
- argmin()：計算陣列中最小值的下標，
- argmax()：計算陣列中最大值的下標，
- ... ...
具體請參考官方檔案，
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/555998.html
標籤：Python
上一篇：python dict del 和 pop 有什么區別
下一篇：返回列表