数组方法

%pylab

Using matplotlib backend: Qt4Agg
Populating the interactive namespace from numpy and matplotlib

求和

a = array([[1,2,3], 
           [4,5,6]])

求所有元素的和：

sum(a)

21

指定求和的维度：

沿着第一维求和：

sum(a, axis=0)

array([5, 7, 9])

沿着第二维求和：

sum(a, axis=1)

array([ 6, 15])

沿着最后一维求和：

sum(a, axis=-1)

array([ 6, 15])

或者使用 sum 方法：

a.sum()

21

a.sum(axis=0)

array([5, 7, 9])

a.sum(axis=-1)

array([ 6, 15])

求积

求所有元素的乘积：

a.prod()

720

或者使用函数形式：

prod(a, axis=0)

array([ 4, 10, 18])

求最大最小值

from numpy.random import rand
a = rand(3, 4)
%precision 3
a

array([[ 0.444,  0.06 ,  0.668,  0.02 ],
       [ 0.793,  0.302,  0.81 ,  0.381],
       [ 0.296,  0.182,  0.345,  0.686]])

全局最小：

a.min()

0.020

沿着某个轴的最小：

a.min(axis=0)

array([ 0.296,  0.06 ,  0.345,  0.02 ])

全局最大：

a.max()

0.810

沿着某个轴的最大：

a.max(axis=-1)

array([ 0.668,  0.81 ,  0.686])

最大最小值的位置

使用 argmin, argmax 方法：

a.argmin()

3

a.argmin(axis=0)

array([2, 0, 2, 0], dtype=int64)

均值

可以使用 mean 方法：

a = array([[1,2,3],[4,5,6]])

a.mean()

3.500

a.mean(axis=-1)

array([ 2.,  5.])

也可以使用 mean 函数：

mean(a)

3.500

还可以使用 average 函数：

average(a, axis = 0)

array([ 2.5,  3.5,  4.5])

average 函数还支持加权平均：

average(a, axis = 0, weights=[1,2])

array([ 3.,  4.,  5.])

标准差

用 std 方法计算标准差：

a.std(axis=1)

array([ 0.816,  0.816])

用 var 方法计算方差：

a.var(axis=1)

array([ 0.667,  0.667])

或者使用函数：

var(a, axis=1)

array([ 0.667,  0.667])

std(a, axis=1)

array([ 0.816,  0.816])

clip 方法

将数值限制在某个范围：

a

array([[1, 2, 3],
       [4, 5, 6]])

a.clip(3,5)

array([[3, 3, 3],
       [4, 5, 5]])

小于3的变成3，大于5的变成5。

ptp 方法

计算最大值和最小值之差：

a.ptp(axis=1)

array([2, 2])

a.ptp()

5

round 方法

近似，默认到整数：

a = array([1.35, 2.5, 1.5])

这里，.5的近似规则为近似到偶数值，可以参考：

https://en.wikipedia.org/wiki/Rounding#Round_half_to_odd

a.round()

array([ 1.,  2.,  2.])

近似到一位小数：

a.round(decimals=1)

array([ 1.4,  2.5,  1.5])