python.numpy.day15

10.数组元素的增删改查

10.1 resize

函数名称	参数	说明
resize(a, new_shape)	a：操作的数组 new_shape：返回的数组的形状，如果元素数量不够，重复数组元素来填充新的形状	返回指定形状的新数组

#resize：将元素组形状修改为新的形状，如果元素个数不够，则重复遍历元素组中的元素进行填充，如果元素组的
#多则丢弃。
import numpy as np

a = np.arange(10)
a1 = np.resize(a,(3,4))
print(a1)
a2 = np.resize(a,(2,2))
print(a2)

10.2 append

函数名称	参数	说明
append(arr, values, axis=None)	arr：输入的数组 values：向 arr 数组中添加的值，需要和 arr 数组的形状保持一致 axis：默认为 None，返回的是一维数组；当 axis =0 时，追加的值会被添加到行，而列数保持不变，若 axis=1 则与其恰好相反	在数组的末尾添加值，返回一个一维数组

案例：

#append 给数组添加新元素
a  = np.arange(6).reshape(2, 3)
#没有指定axis或者axis = none，则返回一维数组
a1 = np.append(a, [1, 2, 3])
print(a1)
#axis=0则按行添加，添加的value的维度要和元素组的维度一致
a2 = np.append(a, [[1,2,3]], axis=0)
print(a2)
# axis=1 按列添加，
a3 = np.append(a,  [[1, 1, 1], [1, 1, 1]], axis=1)
print(a3)

 

 

10.3 insert

函数名称	参数	说明
insert(arr, obj, values, axis)	arr：输入的数组 obj：表示索引值，在该索引值之前插入 values 值 values：要插入的值 axis：默认为 None，返回的是一维数组；当 axis =0 时，追加的值会被添加到行，而列数保持不变，若 axis=1 则与其恰好相反	沿规定的轴将元素值插入到指定的元素前

案例：

#insert；在指定位置添加值
#如果未指定axis ，则按照位置添加并返回一维数组
a = np.arange(6).reshape(2, 3)
a1 = np.insert(a, 1, [6])
print(a1)
#axis = 0 ，按行插入
a2 = np.insert(a , 1, [6] , axis=0)
print(a2)
#axis = 1 ,按列插入
a3 = np.insert(a, 0, [6] , axis=1)
print(a3)

a4 = np.insert(a, 1, [[6,7]], axis=1)
print(a4)

 

10.4 delete

函数名称	参数	说明
delete(arr, obj, axis)	arr：输入的数组 obj：表示索引值，要删除数据的索引 axis：默认为 None，返回的是一维数组；当 axis =0 时，删除指定的行，若 axis=1 则与其恰好相反	删掉某个轴上的子数组，并返回删除后的新数组

案例：

#delte:删除指定位置元素
#一维数组：
a = np.arange(6)
a1 = np.delete(a, 1)
print(a1)

#二维数组：
a = np.arange(6).reshape(2, 3)
#如果axis不指定，则按照一维数组的位置删除元素，返回一维数组
a1 = np.delete(a, [1 ,3])
print(a1)
a2 = np.delete(a, 1, axis=0)
print(a2)

#axis =1 ,按照列删除列的元素
a3 = np.delete(a, [0,1], axis=1)
print(a3)

 

10.5 argwhere

返回数组中非 0 元素的索引，若是多维数组则返回行、列索引组成的索引坐标

案例：

#argwhere：默认返回非0元素的坐标
a = np.arange(6).reshape(2, 3)
print(np.argwhere(a))
#也可以使用布尔索引去筛选指定的元素
print(np.argwhere(a>2))

#argmax：查找数组中最大值对应的下标
#argmin:查找数组最小值对应的下标
a = np.array([[1,23,3],[2,3,4]])
print(np.argmax(a))

10.6 unique

函数名称	参数	说明
unique(ar, return_index=False, return_inverse=False, return_counts=False, axis=None)	ar：输入的数组 return_index：如果为 True，则返回新数组元素在原数组中的位置（索引） return_inverse：如果为 True，则返回原数组元素在新数组中的位置（逆索引） return_counts：如果为 True，则返回去重后的数组元素在原数组中出现的次数	删掉某个轴上的子数组，并返回删除后的新数组

案例1：返回唯一元素的索引

#unique：数组元素去重
a =np.array([[1,23,3],[2,3,4]])
#默认去重
print(np.unique(a))
#return_index为True返回新数组在元素组中的位置索引
new, idx = np.unique(a, return_index=True)
print(new, idx)
#return_inverse为true返回原数组在新数组的位置
new, inv = np.unique(a, return_inverse=True)
print(new, inv)
#return_counts为true返回新数组中在原数组中出现的次数
new, counts = np.unique(a, return_counts=True)
print(new, counts)


#按照行列去重
a = np.array([[1,2],[3,4],[1, 2]])
print(np.unique(a,axis=0))
print(np.unique(a,axis=1))

 

11.1 amin() 和 amax()

• 计算数组沿指定轴的最小值与最大值，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

案例：

#amin：amax；统计数组的最小值和最大值

array_one = np.array([[1,23,4,5,6],[1,2,333,4,5]])
#axis=0,按照垂直方向查找最小值和最大值
print(np.amin(array_one,axis=0))
print(np.amax(array_one,axis=0))
#axis =1 :按照水平方向查找最小值和最大值
print(np.amax(array_one,axis=1))
print(np.amin(array_one,axis=1))

#如果axis =None或者不指定，按照一维数组查找
print(np.amax(array_one))
print(np.amin(array_one))

11.2 ptp()

• 计算数组元素中最值之差值，即最大值 - 最小值

• 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

• #ptp
  arr = np.array([[1, 2, 3], [4, 5, 6]])
  #axis=None或者不指定按照一维数组处理，查找最大值最小值，然后最大值减去最小值
  print(np.ptp(arr))
  #axis=0，按照垂直方向查找最大值最小值
  print(np.ptp(arr, axis=0))
  #axis=1，按照水平方向查找最大值最小值
  print(np.ptp(arr, axis=1))

  11.3 median()

  用于计算中位数，中位数是指将数组中的数据按从小到大的顺序排列后，位于中间位置的值。如果数组的长度是偶数，则中位数是中间两个数的平均值。

#meidian()中位数，先进行排序如果数组长度为奇数，返回数值的中间元素，
# 如果为偶数返回中间两个数的平均值
#axis =None或者不指定，按照一维数组求中位数
#axis =1，按照水平方向
#axis=0,按照垂直方向
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.median(arr))
print(np.median(arr, axis=0))
print(np.median(arr, axis=1))

 

11.5 average()

加权平均值是将数组中各数值乘以相应的权数，然后再对权重值求总和，最后以权重的总和除以总的单位数（即因子个数）；根据在数组中给出的权重，计算数组元素的加权平均值。该函数可以接受一个轴参数 axis，如果未指定，则数组被展开为一维数组。

$$
加权平均值=\dfrac{∑_{i=1}^n(x_i⋅w_i)}{∑_{i=1}^nw_i}
$$

其中 xi是数组中的元素，wi是对应的权重。

如果所有元素的权重之和等于1，则表示为数学中的期望值。

#average：求加权平均值，数组元素乘以对应的权重之和除以所有权重之和
a = np.arange(6)
w = np.array([0.1, 0.2,0.3,0.1,0.2,0.1])
print(np.average(a,weights=w))

 

11.6 var()

在 NumPy 中，计算方差时使用的是统计学中的方差公式，而不是概率论中的方差公式，主要是因为 NumPy 的设计目标是处理实际数据集，而不是概率分布。

np.var 函数默认计算的是总体方差（Population Variance），而不是样本方差（Sample Variance）。

总体方差：

对于一个总体数据集 X={x1,x2,…,xN}，总体方差的计算公式为：

$$
σ^2=\dfrac{1}{N}∑_{i=1}^N(x_i−μ)^2
$$

其中：

• N是总体数据点的总数。

• μ是总体的均值。

• #var:方差
  #var:默认使用总体方差
  #ddof=1表示样本方差
  a = np.arange(6)
  print(np.var(a))
  print(np.var(a,ddof=1))

  11.7 std()

  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。若一组数据的标准差较大，说明大部分的数值和其平均值之间差异较大；若标准差较小，则代表这组数值比较接近平均值

  #std：标准方差，就是方差开平方
  print(np.std(a))
  print(np.std(a, ddof=1))