Python函数——Numpy size()

本文详细介绍了Numpy库中的size()函数,该函数用于统计矩阵元素个数或特定维度上的元素数量。通过实例展示了如何使用size()函数获取一维、二维矩阵的元素总数、行数和列数。


python函数 系列目录:python函数——目录


前言

Numpy size()函数主要是用来统计矩阵元素个数,或矩阵某一维上的元素个数的函数。

# 加载 numpy 工具包
import numpy b 0

参数

	numpy.size(a, axis=None) 
		a : 一般是Array或者是Matrix
		axis: int, optional,维度,默认是a中所有的元素的个数,
	[RETURN]:
		axis 维中元素的个数

例子

>>> a = np.array([[1,2,3],[4,5,6]])
>>> np.size(a)
6
>>> np.size(a,1)
3
>>> np.size(a,0)
2

其他

axis的值没有设定,返回矩阵的元素个数
比较常用的axis值以及其返回值:

axis = 0,返回该二维矩阵的行数 
axis = 1,返回该二维矩阵的列数

注:axis从0开始,不是从1开始

详细参考 Numpy 官方文档

### Python大数据处理中NumPy的使用方法 #### NumPy简介 NumPy(Numerical Python)是Python的一个开源库,专门用于大规模数值计算。该库提供了高性能的多维数组对象`ndarray`,以及一系列用于操作这些数组的工具和函数[^2]。 #### 创建NumPy数组 可以通过多种方式创建NumPy数组: - **从列表或其他序列转换** ```python import numpy as np data_list = [1, 2, 3, 4, 5] data_array = np.array(data_list) print(data_array) ``` - **内置函数生成特定模式的数据** ```python ones_array = np.ones((3, 3)) zeros_array = np.zeros((2, 4)) random_integers = np.random.randint(0, 10, size=(2, 2)) print("Ones Array:\n", ones_array) print("\nZeros Array:\n", zeros_array) print("\nRandom Integers:\n", random_integers) ``` #### 基础统计功能 对于给定的一维或多维数组,可以直接调用相应的方法来进行基本统计数据的操作,如求平均数、方差等: ```python # 给定一串随机整数作为样本数据集 sample_data = np.random.randint(1, 10, 10) mean_value = sample_data.mean() std_deviation = sample_data.std() print(f"Sample Data Mean Value: {mean_value}") print(f"Sample Data Standard Deviation: {std_deviation}") covariance_matrix = np.cov(sample_data, rowvar=False) # 对于单变量情况,rowvar应设为False print(f"Covariance Matrix of Sample Data:\n{covariance_matrix}") ``` #### 高级特性——广播机制与向量化运算 NumPy支持高效的广播机制,允许不同形状之间的数组之间执行按元素操作;同时,所有的算术运算符都被重载成能够应用于整个数组上的形式,这被称为向量化运算。这种设计极大地提高了代码效率并简化了编程逻辑。 ```python vector_a = np.arange(5) scalar_b = 2 result_addition = vector_a + scalar_b # 广播加法 elementwise_multiplication = vector_a * scalar_b # 向量乘法 print(result_addition) print(elementwise_multiplication) ``` #### 实际应用案例:地震数据分析 在一个具体的例子中,假设有一个记录某次地震期间各地震感强度(`lido`)的数据集合,则可以利用NumPy快速完成对该批数据的基础统计分析工作: ```python # 模拟一组地震烈度测量值 (实际情况下应该是读取真实数据文件获得) simulated_lidos = np.random.uniform(low=1., high=9., size=(7,)) valid_indices = simulated_lidos != 0. average_intensity = np.sum(simulated_lidos[valid_indices]) / valid_indices.sum() print(f"Lido Average Intensity Excluding Zeros: {average_intensity:.2f}")[^5]. ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值