使用 NumPy 进行数据处理——数据科学第 185 天
使用 NumPy 进行数据预处理——数据科学第 185 天
Source: https://numpy.org/
上次，我们查看了安装 NumPy 包并探索了使用 NumPy 的数组的基础知识。 — 是的，上次是第 184 天，但我在发表文章时打错了字。
[
使用 NumPy 进行数据处理——数据科学第 146 天
是的，已经有一段时间了。准确地说，我离开了两个半月，其他项目占用了我更多的时间……
媒体网
](/vizneo-academy/data-processing-with-numpy-data-science-day-146-dabb87e97a28)
今天，我们来看看如何在 NumPy 中使用统计函数。
例如，您可以设置以下数组：
matrix_A = np.array([[1,0,0,3,1],[3,6,6,2,9],[4,5,3,8,0]])
矩阵_A #输出->
数组（[[1, 0, 0, 3, 1],
[3, 6, 6, 2, 9],
[4, 5, 3, 8, 0]])
如果您获取所有值并将它们排序在一个列表中，您将获得一个值列表。
np.sort（矩阵_A，轴=无）
#输出->
数组（[0, 0, 0, 1, 1, 2, 3, 3, 3, 4, 5, 6, 6, 8, 9]）
通过在这个数组上应用中位数，它应该给出列表中的中间值。
np.median(matrix_A)
#输出->
3.0
平均值返回一个浮点数
np.mean(matrix_A)
#输出->
3.4
数组的方差给出
np.var(matrix_A)
#输出->
7.84
标准差
np.std(matrix_A)
#输出->
2.8
现在，测试 2.8² 也等于方差 7.84
np.std(matrix_A)**2
#输出->
7.839999999999999
所以看起来是正确的。
继续使用直方图，在这种情况下显示来自数组的数值数据的频率。
matrix_A = np.array([[1,0,0,3,1],[3,6,6,2,9],[4,5,3,8,0]])
矩阵_A
#输出->
数组（[[1, 0, 0, 3, 1],
[3, 6, 6, 2, 9],
[4, 5, 3, 8, 0]]) np.sort（矩阵_A，轴=无）
#输出->
数组（[0, 0, 0, 1, 1, 2, 3, 3, 3, 4, 5, 6, 6, 8, 9]）
# 我们可以看到值的频率 np.histogram(matrix_A, bins = 10, range = (0,9))
#输出->
（数组（[3, 2, 1, 3, 1, 1, 2, 0, 1, 1]），
数组([0., 0.9, 1.8, 2.7, 3.6, 4.5, 5.4, 6.3, 7.2, 8.1, 9. ]))
直方图数组有两个值列表，其中第一个显示 bin 中每个值范围的频率。在这种情况下，bin 被定义为 10 个 bin，从 0 到 9。
通过使用 matplotlib，我们可以说明直方图：
将 matplotlib.pyplot 导入为 plt
plt.hist(matrix_A.flat, bins = np.histogram(matrix_A)[1])
plt.show()
Author image
未完待续…
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
