政安晨：【示例演绎】【Python】【Numpy数据处理】快速入门（四）—— 函数方法

准备工作


这是Numpy数据处理的示例演绎系列文章的第四篇，我的前三篇文章为：

政安晨：【示例演绎】【Python】【Numpy数据处理】快速入门（一）icon-default.png?t=N7T8https://blog.csdn.net/snowdenkeke/article/details/136125773政安晨：【示例演绎】【Python】【Numpy数据处理】快速入门（二）icon-default.png?t=N7T8https://blog.csdn.net/snowdenkeke/article/details/136127590政安晨：【示例演绎】【Python】【Numpy数据处理】快速入门（三）—— 数组的操作icon-default.png?t=N7T8https://blog.csdn.net/snowdenkeke/article/details/136130381小伙伴们准备好环境后，咱们这就开始。

概述

NumPy提供了许多常用函数，用于数值计算、统计、线性代数等领域，以下是一些常用的NumPy函数的简单介绍：

  1. np.array()：用于创建一个数组。

  2. np.linspace()：返回在指定间隔内的等间隔数字。

  3. np.zeros()：返回一个全零的数组。

  4. np.ones()：返回一个全一的数组。

  5. np.eye()：返回一个单位矩阵。

  6. np.random.rand()：返回一个指定形状的随机数组。

  7. np.arange()：返回一个指定间隔和步长的数组。

  8. np.reshape()：用于改变数组的形状。

  9. np.transpose()：用于转置数组。

  10. np.dot()：用于两个数组的点积运算。

  11. np.sum()：计算数组元素的和。

  12. np.mean()：计算数组元素的平均值。

  13. np.max()：返回数组中的最大值。

  14. np.min()：返回数组中的最小值。

  15. np.std()：计算数组元素的标准差。

  16. np.var()：计算数组元素的方差。

这只是一些常用的NumPy函数的简要介绍，NumPy还提供了很多其他的函数和方法，这些函数其实是数组对象内置的方法，可以根据具体需求来选择使用，咱们介绍和函数相关的几个概念，并对部分常用函数做示例性讲解，简单介绍。

常量

说起常量，我们首先会想到圆周率、自然常数、欧拉常数等。的确，NumPy的常量包括np.pi（圆周率）、np.e（自然常数）、np.euler_gamma（欧拉常数），此外还包括np.nan（非数字）和np.inf（无穷大）这两个特殊值，NumPy的特殊值还有正负无穷大、正负零等，但因为很少用到，这里就不进行重点介绍。

NumPy有两个很有趣的特殊值：np.nan和np.inf。

nan是Not a Number的简写，意为非数字；inf是infinity的简写，意为无穷大。其代码如下：

a = np.array([1, 2, np.nan, np.inf])
a.dtypea[0] = np.nan
a[1] = np.inf
a# 两个np.nan不相等
a[0] == a[2] # 两个np.inf则相等
a[1] == a[3] # 判断一个数组元素是否是np.nan
np.isnan(a[0]) # 判断一个数组元素是否是np.inf
np.isinf(a[1])

以下代码演示了在数组相邻的两个元素之间插入它们的算术平均值，尽管数组元素包含np.nan，但这不影响数值计算：

a = np.array([9, 3, np.nan, 5, 3])
a = np.repeat(a,2)[:-1]
a[1::2] += (a[2::2]-a[1::2])/2
a

演绎如下：

命名空间

在Numpy中，实现同样的功能，一个函数却有两种写法；有时以为某个函数可以有两种写法，但用起来却会出错。归纳起来，这些困惑有以下三种类型：

（1）都是求和、求极值，下面这两种写法有什么区别吗？

a = np.random.random(10)
a.max(), np.max(a)a.sum(), np.sum(a)

演绎：

（2）同样是复制，为什么深复制copy( )两种写法都行，而浅复制view( )则只有数组的方法？

a = np.random.random(5)
a.copy()np.copy(a)a.view()# 这种会报错
np.view(a)

演绎：

（3）为什么where( )不能作为数组ndarray的函数，必须作为NumPy的函数？

np.where(a>0.5)a.where(a>0.5)

演绎：

以上这些差异取决于函数在不同的命名空间是否有映射，数组的大部分函数在顶层命名空间有映射，因此可以有两种写法，但数组的一小部分函数没有映射到顶层命名空间，所以只能有一种写法。而顶层命名空间的大部分函数，也都只有一种写法。

下表所示的是常用函数和命名空间的关系：

数学函数

如果不熟悉NumPy，Python程序员一般都会选择使用math模块来解决数学问题。

但实际上NumPy的数学函数比math模块更加方便，而且NumPy的数学函数可以广播到数组的每一个元素上，也就是说，如果用np.sqrt( )对数组arr开方，返回的是数组arr中每个元素的平方根组成的新数组。

下面把NumPy和math模块的数学函数罗列在一个表格中，分成了数学常数、舍入函数、快速转换函数、幂指数对数函数和三角函数这5类：

（其他如求和、求差、求积的函数被归类到下一小节的统计函数中。）

下面的代码演示的是一些常用数学函数：

import numpy as np
import math# 两个模块的自然常数相等
math.e == np.e # 两个模块的圆周率相等
math.pi == np.pi np.ceil(5.3)
np.ceil(-5.3)
np.floor(5.8)
np.floor(-5.8)
np.around(5.87, 1)
np.rint(5.87)
np.degrees(np.pi/2)
np.radians(180)# 求平面上任意两点的距离
np.hypot(3,4) np.power(3,1/2)np.log2(1024)np.exp(1)#正弦、余弦函数的周期是2π
np.sin(np.radians(30)) np.sin(np.radians(150))# 反正弦、反余弦函数的周期则是π
np.degrees(np.arcsin(0.5))

小伙伴们可以自己尝试一下。

统计函数

NumPy的统计函数有很多，并且很多函数还同时提供了忽略nan（缺值或无效值）的形式。常用的统计函数大致上可以分成查找特殊值、求和差积、均值和方差以及相关系数这4类，详细说明如下表所示：

在实际应用中，我们所获得的数据远没有想象中的那么理想，存在缺值或无效值是常态。

假定用np.nan表示无效值，一旦数据中存在无效值，对一个函数而言，是否忽略无效值将会得到完全不同的结果。下面先以求最大值和最小值为例，演示忽略np.nan的必要性。

a = np.random.random(10)
np.max(a), np.min(a)# 将索引号为1、3、5、7、9的元素设置为np.nan
a[1::2] = np.nan 
a# 此时，min()函数和max()函数失效了
np.max(a), np.min(a) # 必须使用nanmax()函数和nanmin()函数
np.nanmax(a), np.nanmin(a)

演绎如下：

方差和标准差是衡量数据离散程度最重要且最常用的指标，也是统计学上最重要的分析工具和手段，方差是各个数据与其算术平均值的离差平方和的平均值，方差的算术平方根，即为标准差。统计学上，方差和标准差使用比较频繁，下面来演示一下。

a = np.random.randint(0,50,(3,4))# 用方差定义求方差
np.sum(np.square(a-a.mean()))/a.size # 直接用方差函数求方差，与用方差定义求方差的结果相同
np.var(a) # 对方差求算术平方根就是标准差
np.sqrt(a.var()) # 直接用标准差函数求标准差，与对方差求算术平方根的结果相同
a.std()

示例演绎（方差）：

示例演绎（标准差）：

以下例子综合运用统计函数，来分析两只股票的关联关系和收益率。

pa和pb是两只股票连续30个交易日的股价数组，每日股价收益率定义为当日股价与前一个交易日股价之差再除以最后一个交易日的股价。

pa = np.array([79.66, 81.29, 80.37, 79.31, 79.84, 78.53, 78.29, 78.51, 77.99,
79.82, 80.41, 79.27, 80.26, 81.61, 81.39, 80.29, 80.18, 78.38, 75.06, 76.15, 75.66,
73.90, 72.14, 74.27, 75.27, 76.15, 75.40, 76.51, 77.57, 77.06])
pb = np.array([30.93, 31.61, 31.62, 31.77, 32.01, 31.52, 30.09, 30.54, 30.78,
30.84, 30.80, 30.38, 30.88, 31.38, 31.05, 29.90, 29.96, 29.59, 28.71, 28.95, 29.19,
28.71, 27.93, 28.35, 28.92, 29.17, 29.02, 29.43, 29.12, 29.11])# 两只股票的相关系数为0.867，关联比较密切
np.corrcoef(pa, pb) # 股价收益率
pa_re = np.diff(pa)/pa[:-1] # 股价与前一个交易日股价之差再除以最后一个交易日的股价
pb_re = np.diff(pb)/pb[:-1] import matplotlib.pyplot as pltplt.plot(pa_re)plt.plot(pb_re)plt.show()

演绎如下：

插值函数

数据插值是数据处理过程中经常用到的技术，常用的插值有一维插值、二维插值、高阶插值等，常见的算法有线性插值、B样条插值、临近插值等。

下面用一个实例来演示NumPy一维线性插值函数的使用方法。

假定_x和_y是原始的样本点x坐标和y坐标构成的数组，总数只有11个点。如果想在_x的值域范围内插值更多的点，如增加到33个点，就需要在_x的值域范围内生成33个点的x坐标构成的数组x，再利用插值函数np.interp( )得到对应的33个点的y坐标构成的数组y。

代码如下：

import matplotlib.pyplot as plt_x = np.linspace(0, 2*np.pi, 11)
_y = np.sin(_x)
x = np.linspace(0, 2*np.pi, 33)
y = np.interp(x, _x, _y)plt.plot(x, y, 'o')plt.plot(_x, _y, 'o')plt.show()

演绎如下：

多项式拟合函数

拟合与插值看起来有一些相似，所以初学者比较容易混淆，实际上二者是完全不同的概念，拟合又称回归，是指已知某函数的若干离散函数值，通过调整该函数中若干待定系数，使得该函数与已知离散函数值的误差达到最小。

多项式拟合是最常见的拟合方法。

对函数f(x)，我们可以使用一个k阶多项式去近似。

f(x)≈g(x)=a0+a1x+a2x2+a3x3+…+axxk通过选择合适的系数（最佳系数），可以使函数f(x)和g(x)之间的误差达到最小。

最小二乘法被用于寻找多项式的最佳系数。NumPy提供了一个非常简单易用的多项式拟合函数np.polyfit( )，只需要输入一组自变量的离散值，和一组对应的函数f(x)，并指定多项式次数k，就可以返回一组最佳系数，函数np.poly1d( )，则可以将一组最佳系数转成函数g(x)。

下述代码首先生成了原始数据点_x和_y，然后分别用4次、5次、6次和7次多项式去拟合原始数据，并计算出每次拟合的误差。

import numpy as np
import matplotlib.pyplot as plt# 指定字体以保证中文正常显示
plt.rcParams['font.sans-serif'] = ['FangSong']
# 正确显示连字符
plt.rcParams['axes.unicode_minus'] = False 
_x = np.linspace(-1, 1, 201)
_y = ((_x**2-1)**3 + 0.5)*np.sin(2*_x) + np.random.random(201)/10 - 0.1
plt.plot(_x, _y, ls='', marker='o', label="原始数据")for k in range(4, 8):# g是k次多项式g = np.poly1d(np.polyfit(_x, _y, k)) # g(x)和f(x)的误差loss = np.sum(np.square(g(_x)-_y)) plt.plot(_x, g(_x), label="%d次多项式，误差：%0.3f"%(k,loss))plt.legend()plt.show()

演绎如下：

这篇咱们先到这里，关于Numpy的函数方法部分就是这些了，下次咱们启动其它主题。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/472626.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【51单片机】AD模数转换DA数模转换（江科大）

【51单片机】AD模数转换DA数模转换（江科大）

1.AD/DA介绍 AD(Analog to Digital):模拟-数字转换,将模拟信号转换为计算机可操作的数字信号 DA(Digital to Analog):数字-模拟转换,将计算机输出的数字信号转换为模拟信号 AD/DA转换打开了计算机与模拟信号的大门,极大的提高了计算机系统的应用范围,也为模拟信号数字化处理…
阅读更多...
C#，二分法（Bisection Method）求解方程的算法与源代码

C#，二分法（Bisection Method）求解方程的算法与源代码

1 二分法 二分法是一种分治算法&#xff0c;是一种数学思维。 对于区间[a&#xff0c;b]上连续不断且f&#xff08;a&#xff09;f&#xff08;b&#xff09;<0的函数yf&#xff08;x&#xff09;&#xff0c;通过不断地把函数f&#xff08;x&#xff09;的零点所在的区间…
阅读更多...
问题：人的安全知识和技能是天生的。（) #媒体#知识分享#学习方法

问题：人的安全知识和技能是天生的。（) #媒体#知识分享#学习方法

问题&#xff1a;人的安全知识和技能是天生的。&#xff08;) 人的安全知识和技能是天生的。() 参考答案如图所示 问题&#xff1a;&#xff08;&#xff09;是党和国家的根本所在、命脉所在&#xff0c;是全国各族人民的利益所在、幸福所在。 A.人民当家作主 B.坚持和完善…
阅读更多...
命令执行讲解和函数

命令执行讲解和函数

命令执行漏洞简介 命令执行漏洞产生原因 应用未对用户输入做严格得检查过滤&#xff0c;导致用户输入得参数被当成命令来执行 命令执行漏洞的危害 1.继承Web服务程序的权限去执行系统命会或读写文件 2.反弹shell&#xff0c;获得目标服务器的权限 3.进一步内网渗透 远程代…
阅读更多...
基于JAVA,SpringBoot和Vue二手房屋销售系统设计

基于JAVA,SpringBoot和Vue二手房屋销售系统设计

摘要&#xff1a; 本研究旨在设计并实现一个基于JAVA, SpringBoot和Vue技术的二手房屋销售系统。该系统采用当前流行的前后端分离架构&#xff0c;后端使用SpringBoot框架快速搭建RESTful API&#xff0c;提供稳定且高效的服务端应用&#xff1b;前端则通过Vue.js框架构建动态…
阅读更多...
vue导出word文档（图文示例）

vue导出word文档（图文示例）

第076个 查看专栏目录: VUE 本文章目录 示例说明示例效果图导出的文件效果截图示例源代码参数说明&#xff1a;重要提示&#xff1a;API 参考网址 示例说明 在Vue中导出Word文档&#xff0c;可以使用第三方库file-saver和html-docx-js。首先需要安装这两个库&#xff1a; npm …
阅读更多...
2024年最新onlyfans虚拟信用卡订阅教程

2024年最新onlyfans虚拟信用卡订阅教程

一、Onlyfans是什么&#xff1f; OnlyFans是一个允许创作者分享自己的独家内容的平台&#xff0c;简称o站。这个平台允许创作者创建一个订阅服务&#xff0c;粉丝需要支付费用才能访问其独家内容。 本文将教你如何使用虚拟卡在OnlyFans上进行充值。 二、如何使用虚拟卡支付 O…
阅读更多...
MySQL数据表的约束

MySQL数据表的约束

已经一个星期没更了&#xff0c;因为过年嘛&#xff0c;比较忙&#xff0c;我玩心也大&#xff0c;就没继续更新&#xff0c;在这里给大家道歉&#xff0c;也祝大家新的一年快快乐乐&#xff0c;新年快乐。 为防止数据表中插入错误的数据&#xff0c;MySQL定义了一些规则维护数…
阅读更多...
第7章 Page449 7.8.9智能指针 std::unique_ptr课堂作业，使用智能指针改写foo()函数

第7章 Page449 7.8.9智能指针 std::unique_ptr课堂作业，使用智能指针改写foo()函数

源代码&#xff1a; /** \brief 使用std::unique_ptr改写智能指针章节开始的foo()函数** \param* \param* \return**/ #include <iostream> #include <memory>using namespace std;struct O {~O(){cout << "我是被管的对象。我要被释放啦......" …
阅读更多...
EasyRecovery软件有哪些版本?如何下载2024最新版本

EasyRecovery软件有哪些版本?如何下载2024最新版本

EasyRecovery 是一款功能强大的数据恢复软件&#xff0c;适用于电脑上的数据恢复需求。以下是该软件的不同电脑版本及其主要特点&#xff1a; EasyRecovery Home&#xff08;家用版&#xff09;&#xff1a; 主要针对家庭用户&#xff0c;提供常规的数据恢复功能。可以恢复各种…
阅读更多...
【深度学习每日小知识】全景分割

【深度学习每日小知识】全景分割

全景分割 全景分割是一项计算机视觉任务&#xff0c;涉及将图像或视频分割成不同的对象及其各自的部分&#xff0c;并用相应的类别标记每个像素。与传统的语义分割相比&#xff0c;它是一种更全面的图像分割方法&#xff0c;传统的语义分割仅将图像划分为类别&#xff0c;而不…
阅读更多...
openEuler 22.03 LTS 上源码安装 PostgreSQL 15

openEuler 22.03 LTS 上源码安装 PostgreSQL 15

安装PostgreSQL 15 1 安装必要的依赖 #yum install -y readline-devel zlib-devel gcc2、下载源码 # wget https://ftp.postgresql.org/pub/source/v15.6/postgresql-15.6.tar.gz # tar -xzvf postgresql-15.6.tar.gz3 配置 # cd postgresql-15.6/ # ./configure4 编译安装…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023