用實踐帶領你進入numpy的世界——(四)：numpy基本函數運算（sum，mean……）

原創 笔岸柳影 2020-05-10 02:16

numpy——科學計算庫的講解（四）

                         QQ:3020889729                                                                                 小蔡

本節主要講解numpy基本函數運算：最大值，最小值，總和，平均值，乘積，標準偏差。

在這裏插入圖片描述

本文以jupyter notebook格式展開~

引入numpy庫

import numpy as np

創建隨機的數組數據

——以提供後續的運算操作
創建數組——採用random

data_one = np.random.rand(3, 8)
data_two = np.random.randint(-5, 5, (4, 3))

查看數組數據內容——data，size，dtype，ndim

print("（data_one）\n數組大小：size = {0}\n數組軸數: ndim = {1} \n數組內容：\n{2}， dtype= {3}".format(data_one.size, data_one.ndim, data_one, data_one.dtype))
print("")  # 輸出空行以顯示數據易讀
print("（data_two）\n數組大小：size = {0}\n數組軸數: ndim = {1}\n數組內容：\n{2}， dtype= {3}".format(data_two.size, data_two.ndim, data_two, data_two.dtype))

結果（打印）：
（data_one）
數組大小：size = 24
數組軸數: ndim = 2
數組內容：
[[0.28483449 0.44235079 0.27778358 0.0241186 0.6076694 0.56056391
0.95386542 0.33498075]
[0.3277708 0.20498337 0.76559908 0.81589987 0.67358283 0.5172844
0.06858265 0.98480717]
[0.74231181 0.36567503 0.64228063 0.31659345 0.70477214 0.10638334
0.23839138 0.32721258]]， dtype= float64

（data_two）
數組大小：size = 12
數組軸數: ndim = 2
數組內容：
[[ 3 -2 -1]
[ 4 -3 -1]
[ 0 2 3]
[-2 -5 0]]， dtype= int32

接下來首先講解對整個數組的函數運算，再講解沿某一軸進行運算

對數組所有元素進行直接運算

sum()求和函數

print("data_one: \n{0}".format(data_one))
print("")  # 輸出空行以顯示數據易讀
print("data_two: \n{0}".format(data_two))
print("")  # 輸出空行以顯示數據易讀
print("np.sum(data_one): \n{0}".format(np.sum(data_one)))  # 對所有單元進行求和
print("")  # 輸出空行以顯示數據易讀
print("np.sum(data_two): \n{0}".format(np.sum(data_two)))  # 對所有單元進行求和

結果（打印）：
data_one:
[[0.28483449 0.44235079 0.27778358 0.0241186 0.6076694 0.56056391
0.95386542 0.33498075]
[0.3277708 0.20498337 0.76559908 0.81589987 0.67358283 0.5172844
0.06858265 0.98480717]
[0.74231181 0.36567503 0.64228063 0.31659345 0.70477214 0.10638334
0.23839138 0.32721258]]

data_two:
[[ 3 -2 -1]
[ 4 -3 -1]
[ 0 2 3]
[-2 -5 0]]

np.sum(data_one):
11.288297481525387

np.sum(data_two):
-2

min(),max()求最值函數

max——求最大值

print("data_one: \n{0}".format(data_one))
print("")  # 輸出空行以顯示數據易讀
print("data_two: \n{0}".format(data_two))
print("")  # 輸出空行以顯示數據易讀
print("np.min(data_one): \n{0}".format(np.min(data_one)))  # 對所有單元進行最小值求取
print("")  # 輸出空行以顯示數據易讀
print("np.min(data_two): \n{0}".format(np.min(data_two)))  # 對所有單元進行最小值求取

結果（打印）：
data_one:
[[0.28483449 0.44235079 0.27778358 0.0241186 0.6076694 0.56056391
0.95386542 0.33498075]
[0.3277708 0.20498337 0.76559908 0.81589987 0.67358283 0.5172844
0.06858265 0.98480717]
[0.74231181 0.36567503 0.64228063 0.31659345 0.70477214 0.10638334
0.23839138 0.32721258]]

data_two:
[[ 3 -2 -1]
[ 4 -3 -1]
[ 0 2 3]
[-2 -5 0]]

np.min(data_one):
0.024118603470602018

np.min(data_two):
-5

min()——求最小值

print("np.max(data_one): \n{0}".format(np.max(data_one)))  # 對所有單元進行最大值求取
print("")  # 輸出空行以顯示數據易讀
print("np.max(data_two): \n{0}".format(np.max(data_two)))  # 對所有單元進行最大值求取

結果（打印）：
np.max(data_one):
0.9848071728962707

np.max(data_two):
4

mean()求平均函數

print("data_one: \n{0}".format(data_one))
print("")  # 輸出空行以顯示數據易讀
print("data_two: \n{0}".format(data_two))
print("")  # 輸出空行以顯示數據易讀
print("np.mean(data_one): \n{0}".format(np.mean(data_one)))  # 對所有單元進行平均值求取
print("")  # 輸出空行以顯示數據易讀
print("np.mean(data_two): \n{0}".format(np.mean(data_two)))  # 對所有單元進行平均值求取

結果（打印）：
data_one:
[[0.28483449 0.44235079 0.27778358 0.0241186 0.6076694 0.56056391
0.95386542 0.33498075]
[0.3277708 0.20498337 0.76559908 0.81589987 0.67358283 0.5172844
0.06858265 0.98480717]
[0.74231181 0.36567503 0.64228063 0.31659345 0.70477214 0.10638334
0.23839138 0.32721258]]

data_two:
[[ 3 -2 -1]
[ 4 -3 -1]
[ 0 2 3]
[-2 -5 0]]

np.mean(data_one):
0.4703457283968911

np.mean(data_two):
-0.16666666666666666

std()求標準偏差（標準方差）

print("data_one: \n{0}".format(data_one))
print("")  # 輸出空行以顯示數據易讀
print("data_two: \n{0}".format(data_two))
print("")  # 輸出空行以顯示數據易讀
print("np.std(data_one): \n{0}".format(np.std(data_one)))  # 對所有單元進行標準偏差值求取
print("")  # 輸出空行以顯示數據易讀
print("np.std(data_two): \n{0}".format(np.std(data_two)))  # 對所有單元進行標準偏差值求取

結果（打印）：
data_one:
[[0.28483449 0.44235079 0.27778358 0.0241186 0.6076694 0.56056391
0.95386542 0.33498075]
[0.3277708 0.20498337 0.76559908 0.81589987 0.67358283 0.5172844
0.06858265 0.98480717]
[0.74231181 0.36567503 0.64228063 0.31659345 0.70477214 0.10638334
0.23839138 0.32721258]]

data_two:
[[ 3 -2 -1]
[ 4 -3 -1]
[ 0 2 3]
[-2 -5 0]]

np.std(data_one):
0.2674934506033342

np.std(data_two):
2.6087459737497545

對數組指定軸進行運算

爲sum()函數添加軸參數，對指定軸進行求和

print("data_one: \n{0}".format(data_one))
print("")  # 輸出空行以顯示數據易讀
print("data_two: \n{0}".format(data_two))
print("")  # 輸出空行以顯示數據易讀
print("np.sum(data_one, axis=0): \n{0}".format(np.sum(data_one, axis=0)))  # 對第0軸所有單元進行求和
print("")  # 輸出空行以顯示數據易讀
print("np.sum(data_two, axis=0): \n{0}".format(np.sum(data_two, axis=0)))  # 對第0軸所有單元進行求和

結果（打印）：
data_one:
[[0.28483449 0.44235079 0.27778358 0.0241186 0.6076694 0.56056391
0.95386542 0.33498075]
[0.3277708 0.20498337 0.76559908 0.81589987 0.67358283 0.5172844
0.06858265 0.98480717]
[0.74231181 0.36567503 0.64228063 0.31659345 0.70477214 0.10638334
0.23839138 0.32721258]]

data_two:
[[ 3 -2 -1]
[ 4 -3 -1]
[ 0 2 3]
[-2 -5 0]]

np.sum(data_one, axis=0):
[1.3549171 1.01300919 1.68566329 1.15661192 1.98602437 1.18423165
1.26083946 1.64700051]

np.sum(data_two, axis=0):
[ 5 -8 1]

對指定軸進行運算的說明：

  1. 首先說明軸怎麼計算——[1,2,3]:僅含有1個軸，第0軸；[[1,2,3]]:則含有兩個軸，第0軸和第1軸……依次遞推（類似多維數組的定義）

  2. 對於一個矩陣(擁有兩軸的數組)（如下）進行第0軸的sum運算，基本過程如下：
    [[1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]] （該矩陣爲3*3的矩陣）
    sum運算過程如下：（第0軸求和）
    1.首先看屬於第0軸的元素：[1, 2, 3], [4, 5, 6], [7, 8, 9]——這就是當前數組中，第0軸的所有元素
    2.進行第0軸元素求和：假設元素用字母表示，依次爲，a1，a2，a3
    3.又因爲a1，a2，a3又本身是一個向量形式，所以運算a1+a2+a3，就變成了三個向量的加法運算。
    4.最後得到的不過是多個向量的相加結果而已。（我想這裏你已經察覺到，向量維度應該保證相同，否則會出錯）
    結果：[12, 15, 18]

對第1軸進行sum運算

print("data_one: \n{0}".format(data_one))
print("")  # 輸出空行以顯示數據易讀
print("data_two: \n{0}".format(data_two))
print("")  # 輸出空行以顯示數據易讀
print("np.sum(data_one, axis=1): \n{0}".format(np.sum(data_one, axis=1)))  # 對第1軸所有單元進行求和
print("")  # 輸出空行以顯示數據易讀
print("np.sum(data_two, axis=1): \n{0}".format(np.sum(data_two, axis=1)))  # 對第1軸所有單元進行求和

結果（打印）：
data_one:
[[0.28483449 0.44235079 0.27778358 0.0241186 0.6076694 0.56056391
0.95386542 0.33498075]
[0.3277708 0.20498337 0.76559908 0.81589987 0.67358283 0.5172844
0.06858265 0.98480717]
[0.74231181 0.36567503 0.64228063 0.31659345 0.70477214 0.10638334
0.23839138 0.32721258]]

data_two:
[[ 3 -2 -1]
[ 4 -3 -1]
[ 0 2 3]
[-2 -5 0]]

np.sum(data_one, axis=1):
[3.48616695 4.35851018 3.44362035]

np.sum(data_two, axis=1):
[ 0 0 5 -7]

對第1軸的運算，不過是將求和目標區域移動到了[[a1]，[a2]],對a1,a2分別進行求和而已。（第0軸是[[a1]，[a2]]中的[a1]和[a2]求和）

接下來展示之前講到的其它運算的軸計算

max()進行軸運算

print("data_one: \n{0}".format(data_one))
print("")  # 輸出空行以顯示數據易讀
print("np.max(data_one, axis=0): \n{0}".format(np.max(data_one, axis=0)))  # 對第0軸所有單元進行求最大值
print("")  # 輸出空行以顯示數據易讀
print("np.max(data_two, axis=1): \n{0}".format(np.max(data_one, axis=1)))  # 對第1軸所有單元進行求最大值

結果（打印）：
data_one:
[[0.28483449 0.44235079 0.27778358 0.0241186 0.6076694 0.56056391
0.95386542 0.33498075]
[0.3277708 0.20498337 0.76559908 0.81589987 0.67358283 0.5172844
0.06858265 0.98480717]
[0.74231181 0.36567503 0.64228063 0.31659345 0.70477214 0.10638334
0.23839138 0.32721258]]

np.max(data_one, axis=0):
[0.74231181 0.44235079 0.76559908 0.81589987 0.70477214 0.56056391
0.95386542 0.98480717]

np.max(data_two, axis=1):
[0.95386542 0.98480717 0.74231181]

min()進行軸運算

print("data_one: \n{0}".format(data_one))
print("")  # 輸出空行以顯示數據易讀
print("np.min(data_one, axis=0): \n{0}".format(np.min(data_one, axis=0)))  # 對第0軸所有單元進行求最小值
print("")  # 輸出空行以顯示數據易讀
print("np.min(data_two, axis=1): \n{0}".format(np.min(data_one, axis=1)))  # 對第1軸所有單元進行求最小值

結果（打印）：
data_one:
[[0.28483449 0.44235079 0.27778358 0.0241186 0.6076694 0.56056391
0.95386542 0.33498075]
[0.3277708 0.20498337 0.76559908 0.81589987 0.67358283 0.5172844
0.06858265 0.98480717]
[0.74231181 0.36567503 0.64228063 0.31659345 0.70477214 0.10638334
0.23839138 0.32721258]]

np.min(data_one, axis=0):
[0.28483449 0.20498337 0.27778358 0.0241186 0.6076694 0.10638334
0.06858265 0.32721258]

np.min(data_two, axis=1):
[0.0241186 0.06858265 0.10638334]

mean()進行軸運算

print("data_one: \n{0}".format(data_one))
print("")  # 輸出空行以顯示數據易讀
print("np.mean(data_one, axis=0): \n{0}".format(np.mean(data_one, axis=0)))  # 對第0軸所有單元進行求平均值
print("")  # 輸出空行以顯示數據易讀
print("np.mean(data_two, axis=1): \n{0}".format(np.mean(data_one, axis=1)))  # 對第1軸所有單元進行求平均值

結果（打印）：
data_one:
[[0.28483449 0.44235079 0.27778358 0.0241186 0.6076694 0.56056391
0.95386542 0.33498075]
[0.3277708 0.20498337 0.76559908 0.81589987 0.67358283 0.5172844
0.06858265 0.98480717]
[0.74231181 0.36567503 0.64228063 0.31659345 0.70477214 0.10638334
0.23839138 0.32721258]]

np.mean(data_one, axis=0):
[0.45163903 0.33766973 0.56188776 0.38553731 0.66200812 0.39474388
0.42027982 0.54900017]

np.mean(data_two, axis=1):
[0.43577087 0.54481377 0.43045254]

std()進行軸運算

print("data_one: \n{0}".format(data_one))
print("")  # 輸出空行以顯示數據易讀
print("np.std(data_one, axis=0): \n{0}".format(np.std(data_one, axis=0)))  # 對第0軸所有單元進行求標準偏差值
print("")  # 輸出空行以顯示數據易讀
print("np.std(data_two, axis=1): \n{0}".format(np.std(data_one, axis=1)))  # 對第1軸所有單元進行求標準偏差值

結果（打印）：
data_one:
[[0.28483449 0.44235079 0.27778358 0.0241186 0.6076694 0.56056391
0.95386542 0.33498075]
[0.3277708 0.20498337 0.76559908 0.81589987 0.67358283 0.5172844
0.06858265 0.98480717]
[0.74231181 0.36567503 0.64228063 0.31659345 0.70477214 0.10638334
0.23839138 0.32721258]]

np.std(data_one, axis=0):
[0.20628278 0.09890752 0.20710424 0.3268989 0.04047811 0.20466579
0.38361782 0.30817841]

np.std(data_two, axis=1):
[0.26003502 0.30053198 0.21997313]

最後做一個總結：

實用性說明：

  1. 很多時候，我們用到多軸的array數組構成數據串或者各種各樣的數據陣；當我們處理時，如果要自己獨立編寫函數進行計算的話，效率和運算複雜都是不讓人樂觀的——所以這時候，採用numpy的計算函數進行計算，會方便許多。

內容總結：

  1. 對數組整體進行函數運算——可以得到數據整體的數據情況。（比如mean(),所有數據的平均值）

  2. 對數組進行按指定軸運算——可以得到不同部分的數據情況。（比如mean(axis=0),如果我們的數據是二維矩陣，這就相當於按列計算平均值；同樣的，如果使用mean(axis=1)，則是進行按行計算平均值。）

如果讀完的你有所收穫，希望勤奮如你不吝點贊+收藏！（還有其它基礎部分發布完後，會有最後一階段實踐的運算操作，比如：神經網絡中層間權重的計算，反向傳播算法等的是實現）

發表評論
所有評論
還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章

np.rot90()

np.rot901.功能2.參數 1.功能 旋轉矩陣，有時用來旋轉圖像。 2.參數 import numpy as np np.rot90(array, k) array：待旋轉的矩陣 k：旋轉角度爲90°xk（默認爲1）

y = wX + b 2020-07-08 10:45:04

Numpy控制多維矩陣的顯示格式

原文地址 分類目錄——numpy 諸如長序列單行顯示，全部顯示（不縮略顯示），精度（保留小數點後幾位），是否科學計數法顯示等等。 直接用程序來說明 生成測試數據 import numpy as np np.random.se

BBJG_001 2020-06-27 23:31:17

numpy知道多少?感知篇——numpy的屬性

感知篇——numpy的屬性特別說明創建需要的陣列數據常見屬性探索shape：形狀ndim：軸數dtype：數據類型itemsize：元素大小size：元素個數data：數組首元素的地址其它數組屬性探索flags：陣列信息strid

笔岸柳影 2020-06-26 08:17:57

用實踐帶領你進入numpy的世界——(六)：numpy綜合小練習①

numpy——科學計算庫的講解（六）特別聲明練習內容練習任務開始練習導入必要的庫數據準備任務一任務二任務三任務四練習總結往期回顧 QQ:3020889729

笔岸柳影 2020-06-26 08:17:57

用實踐帶領你進入numpy的世界——(五)：numpy廣播運算講解（加法爲例）

笔岸柳影 2020-05-25 12:17:08

用實踐帶領你進入numpy的世界——(二)：numpy基本數組創建函數

笔岸柳影 2020-05-10 02:16:39

用實踐帶領你進入numpy的世界——(三)：numpy基本運算講解

笔岸柳影 2020-05-10 02:16:39

用實踐帶領你進入numpy的世界——(一)：numpy的效率和基本屬性

笔岸柳影 2020-04-26 10:50:13

Numpy中數據的常用的保存與讀取方法

云net 2020-03-23 18:34:52

Python3：Pandas的簡單使用2(針對DataFrame的操作：索引，修改和排序)

你是小KS 2020-02-27 18:02:09

Python3：Pandas的簡單使用1(創建基本的Series和DataFrame實例)

你是小KS 2020-02-27 18:02:09

Python3：numpy的簡單使用2(改變當前ndarray的類型和形狀以及均勻分佈和正太分佈，去重)

你是小KS 2020-02-27 18:02:09

Python3：numpy的簡單使用4(矩陣間的操作，合併數組，分割數組，讀取文件操作)

你是小KS 2020-02-27 18:02:09

Python3：Pandas的簡單使用3(針對DataFrame的操作：賦值，計算，統計，畫圖以及io操作)

你是小KS 2020-02-27 18:01:59

numpy中的narray與python中的list互相轉換

自由的小白 2020-02-21 08:35:44