Este artículo describe las bibliotecas numpy del pitón media () la función de informes de uso, tiene un buen valor de referencia, queremos ayuda. Venir a ver, seguir las pequeñas series juntas
- función Mean () se define:
2 Mean Función ():
求取均值
经常操作的参数为axis，以m * n矩阵举例：
axis 不设置值，对 m*n 个数求均值，返回一个实数
axis = 0：压缩行，对各列求均值，返回 1* n 矩阵
axis =1 ：压缩列，对各行求均值，返回 m *1 矩阵
举例：>>> import numpy as np
>>> num1 = np.array([[1,2,3],[2,3,4],[3,4,5],[4,5,6]])
>>> now2 = np.mat(num1)
>>> now2
matrix([[1, 2, 3],
[2, 3, 4],
[3, 4, 5],
[4, 5, 6]])
>>> np.mean(now2) # 对所有元素求均值
3.5
>>> np.mean(now2,0) # 压缩行，对各列求均值
matrix([[ 2.5, 3.5, 4.5]])
>>> np.mean(now2,1) # 压缩列，对各行求均值
matrix([[ 2.],
[ 3.],
[ 4.],
[ 5.]])
expansión suplementaria: np.nanmax y np.max numpy diferencia de (PIT)
El numpy np.nanmax y np.array ([1,2,3, np.nan]) . La diferencia de Max () (pits)
Principio
Trama de datos en el cálculo del máximo, el primer uso debe ser max () () método objeto de la Serie 4 es el resultado final.
s1 = pd.Series ([1,2,3,4, np.nan])
s1_max = s1.max ()
Sin embargo, debido a la enorme cantidad de datos I, gran número de columnas, por lo que con el fin de acelerar el cálculo, el valor máximo se calcula utilizando numpy, pero, como el código siguiente, el resultado final es NaN3, en lugar de 4. Encontrado, utilizando el valor máximo calculado de esta manera, será incluido en NaN3, y el resultado final es nan.
s1 = pd.Series([1,2,3,4,np.nan])
s1_max = s1.values.max()
>>>nan
Al leer el documento numpy encontrado que existe np.nanmax la función, se puede calcular el máximo np.nan excluidos, y obtener los resultados que desea aplicar.
Por supuesto, no sólo es la max, min, std, significa cuando la columna contendrá np.nan, s1.values.min / std / media () Devuelve el presente caso nan.
diferencia de velocidad
De rápido a lento giro:
s1 = pd.Series([1,2,3,4,5,np.nan])
#速度由快至慢
np.nanmax(s1.values) > np.nanmax(s1) > s1.max()
Por encima de las bibliotecas numpy de este pitón significan () función es introducir el uso de series pequeñas para compartir todo el contenido de de todos
el contenido en más de cuántos, y finalmente a recomendar una buena reputación en el número de instituciones públicas [programadores], hay muchos las habilidades de veterano estudio, la experiencia de aprendizaje, habilidades de la entrevista, la experiencia laboral y otras acciones, cuanto más preparados cuidadosamente la información introductoria de base cero, información sobre proyectos reales, el tiempo tiene que explicar la tecnología programador Python todos los días, compartir algunos métodos de aprendizaje y necesita atención pequeños detalles
