做故障风的头像的网站,网站开发技术 下载,企业门户网站免费模板,商城网站建设定制一、统计基础#xff1a;用 NumPy 处理数据
1. 核心统计函数
操作函数场景示例均值np.mean(arr)计算用户平均年龄、销售额均值中位数np.median(arr)分析收入分布#xff08;抗极端值干扰#xff09;标准差np.std(arr)评估数据波动#xff08;如股票价格稳定性#xff09…一、统计基础用 NumPy 处理数据
1. 核心统计函数
操作函数场景示例均值np.mean(arr)计算用户平均年龄、销售额均值中位数np.median(arr)分析收入分布抗极端值干扰标准差np.std(arr)评估数据波动如股票价格稳定性方差np.var(arr)测量数据离散程度分位数np.quantile(arr, 0.75)确定成绩排名的75%分界线
scores np.array([88, 72, 95, 60, 85])
print(f平均分: {np.mean(scores)}) # 80.0
print(f中位数: {np.median(scores)}) # 85.0
print(f标准差: {np.std(scores):.1f}) # 12.8
2. 轴控制axis参数
规则axis0列统计axis1行统计
data np.array([[90, 85], [70, 92], [88, 78]])
print(np.mean(data, axis0)) # 计算每科平均分 → [82.7 85.0] 二、矩阵运算科学计算核心
1. 高频操作速查
操作函数/符号场景矩阵创建np.array([[1,2],[3,4]])构建神经网络权重矩阵、图像像素矩阵加法/减法/-图像叠加、物理场叠加计算矩阵乘法 或 np.dot()神经网络前向传播、3D变换转置.T 或 np.transpose()数据格式转换、方程求解逆矩阵np.linalg.inv()解线性方程组、坐标变换
A np.array([[1, 2], [3, 4]])
B np.array([[5, 6], [7, 8]])# 矩阵乘法点积
print(A B) # [[19 22], [43 50]]# 解方程 Ax b
b np.array([5, 11])
x np.linalg.inv(A) b # x [1. 2.]
2. 常见误区
维度不匹配矩阵乘法 A(m×n) B(n×p) 要求中间维度一致逐元素乘 vs 矩阵乘* 是逐元素乘 是矩阵乘法
print(A * B) # 逐元素相乘 → [[5 12], [21 32]]
print(A B) # 矩阵乘法 → [[19 22], [43 50]] 三、实战技巧扩展
1. 广播机制简化计算
不同形状的数组自动扩展维度计算
matrix np.array([[1, 2], [3, 4]])
vector np.array([10, 20])
print(matrix vector) # [[11 22], [13 24]]
2. 与 Pandas 联动
将 DataFrame 转为 NumPy 数组进行高效计算
import pandas as pd
df pd.DataFrame({A: [1, 2, 3], B: [4, 5, 6]})
arr df.to_numpy() # 转为NumPy数组加速计算 四、下一步练习建议
统计实战用 np.percentile() 分析某城市房价分布。矩阵应用手动实现最小二乘法求解线性回归参数。性能对比比较 NumPy 与纯 Python 列表的运算速度差异。
遇到维度错误时优先检查 .shape 属性
