Cet article décrit des rapports d'utilisation de la fonction, moyenne () bibliothèques numpy du python a une bonne valeur de référence, nous voulons aider. Venez voir, de suivre les petites séries ensemble
- fonction est définie moyenne ():
2 Moyenne () Fonction:
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.]])
extension supplémentaire: différence np.nanmax et np.max numpy de (fosse)
Le np.nanmax numpy et np.array ([1,2,3, np.nan]) . La différence de max () (Plaques)
Principe
Trame de données dans le calcul du maximum, la première utilisation doit être procédé max () () objet de la série 4 est le résultat final.
s1 = pd.Series ([1,2,3,4, np.nan])
S1_max = s1.max ()
Cependant, en raison de l'énorme quantité de données I, un grand nombre de colonnes, de sorte afin d'accélérer le calcul, la valeur maximale est calculée à l'aide numpy, mais, comme le code suivant, le résultat final est NaN3, au lieu de 4. Trouvé, en utilisant la valeur maximale calculée de cette manière, il sera inclus dans NaN3, et le résultat final est nan.
s1 = pd.Series([1,2,3,4,np.nan])
s1_max = s1.values.max()
>>>nan
En lisant le document numpy trouvé que la fonction existe np.nanmax, vous pouvez calculer le np.nan maximum exclu, et obtenir les bons résultats que vous voulez.
Bien sûr, non seulement est le max, min, std, signifie lorsque la colonne contiendra np.nan, s1.values.min / std / moyenne () Renvoie la présente affaire nan.
différence de vitesse
De rapide à tour lent:
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()
Au- dessus de cette bibliothèque numpy de python fonction moyenne () est d'introduire l'utilisation de petites séries pour partager le contenu de tout le monde
contenu sur plus de combien, et enfin de recommander une bonne réputation dans le nombre d'institutions publiques [programmeurs], il y a beaucoup les techniques d'étude de vétéran, l' expérience d' apprentissage, techniques d'entrevue, l' expérience en milieu de travail et d' autres part, plus nous avons soigneusement préparé les informations d' introduction à base zéro, des informations sur des projets réels, le calendrier doit expliquer la technologie de programmation Python tous les jours, partager des méthodes d'apprentissage et a besoin d' attention petits détails
