四、ndarray的聚合操作

1.基本聚合函数

n1 = np.ones(shape=(5, 4))
--->array([[ 1., 1., 1., 1.],
     [ 1., 1., 1., 1.],
     [ 1., 1., 1., 1.],
     [ 1., 1., 1., 1.],
     [ 1., 1., 1., 1.]])

n1.sum()   # numpy 的聚合，默认是把整个数组的所有数据进行运算
---> 20.0

n1.sum(axis=0)   #可以通过axis控制聚合的维度
---> array([ 5., 5., 5., 5.])

常见的聚合函数：

• np.sum()      求和
• np.prod()      所有元素相乘
• np.mean()    平均值
• np.std()      标准差
• np.var()      方差
• np.median()    中数
• np.power()    幂运算
• np.sqrt()     开方
• np.min()     最小值
• np.max()    最大值
• np.argmin()     最小值的下标
• np.argmax()    最大值的下标
• np.inf      无穷大
• np.exp(10)   以e为底的指数
• np.log(10)    对数

2.any()和all()

• any: 有True返回True
• all : 有False返回False

n.array([True, True, True])
n.any()
 ---> True
n.all()
 ---> True

n.array([0, 0, 0])
n.any()
 ---> False
n.all()
 ---> False

五、ndarray的矩阵操作

1.基本的矩阵操作

1)算数运算符：

• 加减乘除

n1 = np.random.randint(0,100,size=(5,3))
n2 = np.random.randint(0,100,size=(5,3))
display(n1, n2)

image.png

image.png

n1 + n2   # numpy的默认运算符方式，数组中对应位置的数据相互运算

image.png

减，乘，除同理

2) 矩阵积np.dot()

n1 = np.array([[1,2],[3,4]])
n2 = np.array([[1,1],[2,2]])
np.dot(n1, n2)
---> array( [ [5, 5], [11, 11] ] )

矩阵积原理：

image.png

2.广播机制

• 为缺失的维度补1
• 假定缺失元素用已有值填充

m = np.ones(2,3)
---> array([[1., 1., 1.], [1., 1., 1.]])
a = np.arange(3)
---> array([0, 1, 2])
m+a
---> array([[1., 2., 3.], [1., 2., 3.]])

a = np.arange(3).reshape((3, 1))
b = np.arange(3)
a + b
---> array([[0, 1, 2], [1, 2, 3], [2, 3, 4]])

a = np.ones((4, 1))
b = np.arange(4)
a + b
---> array([[1., 2., 3., 4.],
       [1., 2., 3., 4.],
       [1., 2., 3., 4.],
       [1., 2., 3., 4.]])

六、ndarray的排序

1.快速排序

• np.sort() 不改变输入
• ndarray.sort() 本地处理，不占用空间，但改变输入

data = np.array([9, 8, 5, 2, 3, 0, 4, 1, 6, 7])
sort_values = np.sort(data)
sort_values
---> array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

data.sort()
data
---> array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])