numpy计算二维数组中值（一文看懂Numpy统计计算）

逗爷 2023-04-29 10:48:38 746

numpy计算二维数组中值（一文看懂Numpy统计计算）matrix= array([[ 5 10 15] [20 10 30] [35 40 45]]) matrix.sum(axis=1) array([ 30 60 120]) matrix.sum(axis=0) array([60 60 90]) 如上述例子所示，axis = 1计算的是行的和，结果以列的形式展示。axis = 0计算的是列的和，结果以行的形式展示。矩阵示例代码如下：需要注意的是，用于这些统计方法的数值类型必须是int或者float。数组示例代码如下：vector = numpy.array([5 10 15 20]) vector.sum() 得到的结果是50

导读：工欲善其事，必先利其器。此前，我们在《玩数据必备Python库：Numpy使用详解》一文中介绍了利用Numpy进行矩阵运算的方法，本文继续介绍Numpy的统计计算及其他科学运算的方法。

作者：魏溪含涂铭张修鹏

如需转载请联系华章科技

numpy计算二维数组中值（一文看懂Numpy统计计算）(1)

01 Numpy的统计计算方法

NumPy内置了很多计算方法，其中最重要的统计方法及说明具体如下。

sum()：计算矩阵元素的和；矩阵的计算结果为一个一维数组，需要指定行或者列。
mean()：计算矩阵元素的平均值；矩阵的计算结果为一个一维数组，需要指定行或者列。
max()：计算矩阵元素的最大值；矩阵的计算结果为一个一维数组，需要指定行或者列。
mean()：计算矩阵元素的平均值。
median()：计算矩阵元素的中位数。

需要注意的是，用于这些统计方法的数值类型必须是int或者float。

数组示例代码如下：

vector = numpy.array([5 10 15 20]) vector.sum()

得到的结果是50

矩阵示例代码如下：

matrix= array([[ 5 10 15] [20 10 30] [35 40 45]]) matrix.sum(axis=1) array([ 30 60 120]) matrix.sum(axis=0) array([60 60 90])

如上述例子所示，axis = 1计算的是行的和，结果以列的形式展示。axis = 0计算的是列的和，结果以行的形式展示。

延伸学习：

官方推荐教程是不错的入门选择。

https://docs.scipy.org/doc/numpy-dev/user/quickstart.html

02 Numpy中的arg运算

argmax函数就是用来求一个array中最大值的下标。简单来说，就是最大的数所对应的索引（位置）是多少。示例代码如下：

index2 = np.argmax([1 2 6 3 2]) #返回的是2

argmin函数可用于求一个array中最小值的下标，用法与argmax类似。示例代码如下：

index2 = np.argmin([1 2 6 3 2]) #返回的是0

下面我们来探索下Numpy矩阵的排序和如何使用索引，示例代码如下：

import numpy as np x = np.arange(15) print(x) # array([ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]) np.random.shuffle(x) #随机打乱 print(x) # array([ 8 13 12 3 9 2 10 0 11 5 14 7 1 4 6]) sx = np.argsort(x) #从小到大排序，返回索引值 print(sx) # [ 7 12 5 3 13 9 14 11 0 4 6 8 2 1 10]

这里简单解释一下，第一个元素7代表的是x向量中的0的索引地址，第二个元素12代表的是x向量中的1的索引地址，其他元素以此类推。

03 FancyIndexing

要索引向量中的一个值是比较容易的，比如通过x[0]来取值。但是，如果想要更复杂地取数，比如，需要返回第3个、第5个以及第8个元素时，应该怎么办？示例代码如下：

import numpy as np x = np.arange(15) ind = [3 5 8] print(x[ind]) #使用fancyindexing就可以解决这个问题

我们也可以从一维向量中构成新的二维矩阵，示例代码如下：

import numpy as np x = np.arange(15) np.random.shuffle(x) ind = np.array([[0 2] [1 3]]) #第一行需要取x向量中索引为0的元素，以及索引为2的元素，第二行需要取x向量中索引为1的元素以及索引为3的元素 print(x) print(x[ind])

我们来看下输出结果很容易就能明白了：

[ 3 2 7 12 9 13 11 14 10 5 4 1 6 8 0] [[ 3 7] [ 2 12]]

对于二维矩阵，我们使用fancyindexing取数也是比较容易的，示例代码如下：

import numpy as np x = np.arange(16) X = x.reshape(4 -1) row = np.array([0 1 2]) col = np.array([1 2 3]) print(X[row col]) #相当于取三个点，分别是(0 1) (1 2) (2 3) print(X[1:3 col]) #相当于取第2、3行，以及需要的列 04 Numpy数组比较

Numpy有一个强大的功能是数组或矩阵的比较，数据比较之后会产生boolean值。示例代码如下：

import numpy as np matrix = np.array([ [5 10 15] [20 25 30] [35 40 45] ]) m = (matrix == 25) print(m)

我们看到输出的结果如下：

[[False False False] [False True False] [False False False]]

下面再来看一个比较复杂的例子，示例代码如下：

import numpy as np matrix = np.array([ [5 10 15] [20 25 30] [35 40 45] ]) second_column_25 = (matrix[: 1] == 25) print(second_column_25) print(matrix[second_column_25 :])

上述代码中，print(second_column_25)输出的是[False True False]，首先matrix[: 1]代表的是所有的行，以及索引为1的列，即[10 25 40]，最后与25进行比较，得到的就是[False True False]。print(matrix[second_column_25 :])代表的是返回true值的那一行数据，即 [20 25 30]。

注意：上述的示例是单个条件，Numpy也允许我们使用条件符来拼接多个条件，其中“&”代表的是“且”，“|”代表的是“或”。比如，vector=np.array([5 10 11 12]) equal_to_five_and_ten = (vector == 5) & (vector == 10)返回的都是false，如果是equal_to_five_or_ten = (vector == 5) | (vector == 10)，则返回的是[True True False False]。

比较之后，我们就可以通过np.count_nonzero(x<=3)来计算小于等于3的元素个数了，1代表True，0代表False。也可以通过np.any(x == 0)，只要x中有一个元素等于0就返回True。np.all(x>0)则需要所有的元素都大于0才返回True。这一点可以帮助我们判断x里的数据是否满足一定的条件。

关于作者：魏溪含，爱丁堡大学人工智能硕士，阿里巴巴达摩院算法专家，在计算机视觉、大数据领域有8年以上的算法架构和研发经验。

涂铭，阿里巴巴数据架构师，对大数据、自然语言处理、图像识别、Python、Java相关技术有深入的研究，积累了丰富的实践经验。

张修鹏，毕业于中南大学，阿里巴巴技术发展专家，长期从事云计算、大数据、人工智能与物联网技术的商业化应用，在阿里巴巴首次将图像识别技术引入工业，并推动图像识别产品化、平台化。

本文摘编自《深度学习与图像识别：原理与实践》，经出版方授权发布。

numpy计算二维数组中值（一文看懂Numpy统计计算）(2)