08 Numpy 中的聚合操作

import numpy as np
# 生成 [0, 1)之间的随机浮点数
L = np.random.random(100)

# Python中的求和
sum(L)

45.06650103069986

# np中的也有,  什么区别呢  ? ____> 效率
np.sum(L)

45.066501030699854

np.random.rand(1000000) 
# 生成[0, 1)之间均匀分布的随机数组   randn()为正太分布的数组  平均数为0 标准差为1

array([0.9010839 , 0.32788274, 0.4308207 , ..., 0.32737057, 0.3898526 ,
       0.68122126])

big_array = np.random.rand(1000000)  # 100万
%timeit sum(big_array)
%timeit np.sum(big_array)

85 ms ± 4.67 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
433 µs ± 9.78 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

min, max

np.min(big_array)

2.0659416377633022e-07

np.max(big_array)

0.9999999007085136

#面向对象的方式
big_array.min()

5.930966538114646e-06

#面向对象的方式
big_array.max()

0.9999999007085136

#面向对象的方式
big_array.sum()

499548.2276981067

多维度聚合

X = np.arange(16).reshape(4,-1)
X

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

# 0 ~ 15 的和 ,所有的元素聚合
np.sum(X)

120

# 求沿着每一行的和,  每一列的和  axis描述的是将要被压缩的维度。
np.sum(X, axis=0)

array([24, 28, 32, 36])

np.sum(X, axis=1)

array([ 6, 22, 38, 54])

注意：axis描述的是将要被压缩的维度。

其他聚合操作

 # 所有元素的乘积
np.prod(X)

0

# 每一个元素加 1
np.prod(X + 1)

20922789888000

 # 平均值
np.mean(X)

7.5

# 中位数
np.median(X)

7.5

# 比作每个人工资
v = np.array([1, 1, 2, 2, 10])
np.mean(v)

3.2

np.median(v)

2.0

# big_array半分位点的值
np.percentile(big_array, q=50)

0.4991844210435135

np.median(big_array)

0.4991844210435135

np.percentile(big_array, q=100)

0.9999999007085136

np.max(big_array)

0.9999999007085136

for percent in [0, 25, 50, 75, 100]:
    print(np.percentile(big_array, q=percent))

5.930966538114646e-06
0.24921594838832217
0.4991844210435135
0.7499096639124945
0.9999999007085136

# 方差
np.var(big_array)

0.08335190610761217

# 标准差
np.std(big_array)

0.28870730179129894

#  均值为 0 方差为1
x = np.random.normal(0, 1, 1000000)

# 平均值
np.mean(x)

-0.0002871503582399596

np.std(x)

1.000075185869526