关于NumPy的那些事——统计分析在Python中的应用
ztj100 2025-01-05 01:00 29 浏览 0 评论
带你走进 @ 机器人时代
Discover 点击上面蓝色文字,关注我们
Python中使用NumPy不仅可以做整体运算和点积运算,还可以做一些统计分析的应用。
我们先来看一个例子:
这是一张销售情况的数据表,如果我们想统计第一季度篮球的销量,或者1月份所有产品的销量,在NumPy里怎么实现呢?
假如我们将数据读入一个变量sore,如np.array([268,369,358]),只要调用NumPy的sum函数即可运算出这个统计结果:
import numpy as np
sore=np.array([268,369,358])
p=np.sum(sore)
print(p)
输出结果:
995
这样我们通过一个sum函数就可以求得第一季度篮球的总销量,NumPy为我们提供了很多丰富的统计函数,我们来看看:
amin() 沿指定的轴,查找数组中元素的最小值,并以数组形式返回;amax() 沿指定的轴,查找数组中元素的最大值,并以数组形式返回。
对于二维数组来说,axis=1 表示沿着水平方向,axis=0 表示沿着垂直方向,将我们的销售数据读取到NumPy中,这是个最基本的二维数组,我们分别用amin() 和amax()来统计一下:
import numpy as np
sore=np.array([[268,369,358],[125,164,183],[289,367,512]])
#沿水平方向找最小值
print (np.amin(sore,axis=1))
#沿垂直方向找最小值
print (np.amin(sore,axis=0))
#默认找出整个数组的最小值
print (np.amin(sore))
#沿水平方向找最小值
print (np.amax(sore,axis=1))
#沿垂直方向找最小值
print (np.amax(sore,axis=0))
#默认找出整个数组的最小值
print (np.amax(sore))
输出结果:
[268 125 289]
[125 164 183]
125
[369 183 512]
[289 369 512]
512
当然这只是一个例子,对于海量数据来说,这是一个非常方便的函数工具。numpy.ptp() 函数用于计算数组元素中最值之差值,也就是(最大值 - 最小值)。外面还是用上面的数据为例:
import numpy as np
sore=np.array([[268,369,358],[125,164,183],[289,367,512]])
#计算整个数组中最大值与最小值的差
print(np.ptp(sore))
#沿横轴计算
print(np.ptp(sore,1))
#沿纵轴计算
print(np.ptp(sore,0))
运行结果:
387
[101 58 223]
[164 205 329]
请注意axis的写法,可以直接省略。percentile()计算百分位数,median() 用于计算 数组元素的中位数,mean()该函数计算数组中元素的算术平均值,average()函数计算加权平均值。
我们来看看加权平均值的算法,这个在外面的日常工作中会经常用到,如下面的例子:
import numpy as np
sore=np.array([[268,369,358],[125,164,183],[289,367,512]])
#无权重时
print(np.average(sore))
#求平均数
print(np.mean(sore))
#设置权重
w = np.array([4,3,2])
#沿横轴方向按照权重计算
print(np.average(sore,axis = 1,weights = w))
输出结果:
292.77777777777777
292.77777777777777
[321.66666667 150.88888889 364.55555556]
我们可以看出,当不指定权重时,计算结果就是求平均值,和mean()函数结果一致。
在工作中,例如在审计业务中,我们经常会碰到对某公司下属子公司的一些固定资产进行盘点,而收费标准则是根据不同的子公司有不同的收费标准,这时候我们就会用到加权平均的算法。
在以上的例子中,假如我们要奖励门店的销售业绩,对1个销售篮球提成是5元,销售1个足球提成是3元,销售一副羽毛球拍提成是2元,这样在计算提成的时候就需要用到加权平均这个函数,大家有兴趣可以自己测试一下。
var()方差函数,将每个样本值与均值之差的平方和,最后对差的平方和求均值就叫做方差,在统计学中也称样本方差。
std()函数就是标准差,是方差的算术平方根,用来描述一组数据平均值的分散程度。
在学习numpy的过程中要特别注意理解维度这个概念,数一数数组前面的方括号有几个,就是代表了数组的维度,也可以理解为特征。
例如,某公司下属子公司的各种产品销量分别表示为A公司篮球125件,足球189件,B公司篮球135件,足球154件:那么,用数组形式就可以这样表示:[[125,189],[135,154]],显然这就是一个二维数组。
如果再按照季度来扩充数组,例如1季度、2季度(假设销量一样)又可以如此表示:[[[125,189],[135,154]],[[125,189],[135,154]]],这个就是一个3维数组,如此类推。
所以,我们在学习的时候记住两个方法,把维度理解为特征,如上例中子产品是一维的特征,子公司是二维的特征,时间(季度)是三维的特征等等;第二个方法就是当看到一个数组时,数一下前面的方括号有几个,代表这个数组有几个维度,上面例子有三个方括号,显然就是一个三维数组。
理解了这个概念,我们就明白横轴、纵轴的应用了。
坚持学习,这样每天都能进步一点点!!
往期回顾:
- 来来来,送你一个金牌销售机器人,7X24小时不休,不要工资免费用!
- RPA技术在旅行社销售业务中如何凤凰涅槃??
- 【工资翻三倍】系列:一招搞定九宫图片切割机器人,让你的朋友圈更加炫酷!
本文引用和摘录相关内容,请联系侵删。
- END -
最后,文章有帮助到你的话【点赞在看】
激励我们分享更多的干货!
相关推荐
- 其实TensorFlow真的很水无非就这30篇熬夜练
-
好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...
- 交叉验证和超参数调整:如何优化你的机器学习模型
-
准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...
- 机器学习交叉验证全指南:原理、类型与实战技巧
-
机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...
- 深度学习中的类别激活热图可视化
-
作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...
- 超强,必会的机器学习评估指标
-
大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...
- 机器学习入门教程-第六课:监督学习与非监督学习
-
1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...
- Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置
-
你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...
- 神经网络与传统统计方法的简单对比
-
传统的统计方法如...
- 自回归滞后模型进行多变量时间序列预测
-
下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...
- 苹果AI策略:慢哲学——科技行业的“长期主义”试金石
-
苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...
- 时间序列预测全攻略,6大模型代码实操
-
如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...
你 发表评论:
欢迎- 一周热门
- 最近发表
- 标签列表
-
- idea eval reset (50)
- vue dispatch (70)
- update canceled (42)
- order by asc (53)
- spring gateway (67)
- 简单代码编程 贪吃蛇 (40)
- transforms.resize (33)
- redisson trylock (35)
- 卸载node (35)
- np.reshape (33)
- torch.arange (34)
- npm 源 (35)
- vue3 deep (35)
- win10 ssh (35)
- vue foreach (34)
- idea设置编码为utf8 (35)
- vue 数组添加元素 (34)
- std find (34)
- tablefield注解用途 (35)
- python str转json (34)
- java websocket客户端 (34)
- tensor.view (34)
- java jackson (34)
- vmware17pro最新密钥 (34)
- mysql单表最大数据量 (35)