目录

1.求和函数 numpy.sum(a, axis=None)------a.sum(axis=None)

2.求均值 numpy.mean(a, axis=None)-----a.mean(axis=None)

3.加权平均值numpy.average(a,axis=None,weights=None)

4.标准差numpy.std(a,axis=None)-------a.std(axis=None)

5.方差numpy.var(a,axis=None)--------a.var(axis=None)

6.最大值/最小值 numpy.amin(a,axis=None)----------numpy.min(a,axis=None)-------a.min(axis=None)

7.最小值索引一维下标numpy.argmin(a,axis=None)---------a.argmin(axis=None)

8.最大值索引numpy.argmax(a,axis=None)---------a.argmax(axis=None)

9.原形状索引下标numpy.unravel_index(index, shape)

10.中位数numpy.median(a,axis=None)

11.最值之差numpy.ptp(a,axis=None)------------a.ptp(a,axis=None)

12.百分位数numpy.percentile(a, q, axis=None)

---

引入模块import numpy as np

1.求和

1.numpy.sum(a, axis=None)/a.sum(axis=None)

根据给定轴axis计算数组a相关元素之和，axis整数或元组,不指定轴则默认求全部元素之和。

若a的shape为(d0,d1,..,dn),当axis=(m1,m2,...mi)时，返回结果应是一个shape为(d0,d1,...,dn)-(dm1,dm2,...dmi),每个元素是轴m1,m2,...mi上元素之和

例：

a = np.arange(24).reshape((2, 3, 4))
print("数组a:\n", a)
print("np.sum(a):", np.sum(a))                   # 全部元素和
print("np.sum(a, axis=0):\n", np.sum(a, axis=0))   # 第0轴（最外围）的元素和
print("np.sum(a, axis=1):\n", np.sum(a, axis=1))    # 第1轴元素和
print("np.sum(a, axis=(0, 1)):\n", np.sum(a, axis=(0, 1)))  # 第0轴和第1轴元素之和
print("np.sum(a, axis=(0, 2)):\n", np.sum(a, axis=(0, 2)))  # 第0轴和第2轴元素之和

输出：

数组a:
 [[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]
  
np.sum(a): 276

np.sum(a, axis=0):
 [[12 14 16 18]			# 0+12=12 1+13=14 ...
 [20 22 24 26]			# 4+16=20 5+17=22
 [28 30 32 34]]
 
np.sum(a, axis=1):
 [[12 15 18 21]			# 0+4+8=12 1+5+9=15 ...
 [48 51 54 57]]			# 12+16+20=48 13+17+21=51
 
 np.sum(a, axis=(0, 1)):
 [60 66 72 78]			# 0+4+8+12+16+20=60	1+5+9+13+17+21=66...
 
np.sum(a, axis=(0, 2)):
 [ 60  92 124]			# 0+1+2+3+12+13+14+15=60 4+5+6+7+16+17+18+19=92....

2.求均值

2.numpy.mean(a, axis=None)/a.mean(axis=None)`

根据给定轴axis计算数组a相关元素的平均值，axis整数或元组。

不指定axis，默认求所有元素平均值。指定axis，求指定轴上元素平均值。

若a的shape为(d0,d1,..,dn),当axis=(m1,m2,...mi)时，返回结果应是一个shape为(d0,d1,...,dn)-(dm1,dm2,...dmi),每个元素是轴m1,m2,...mi上所有元素的平均值

例：

print("数组a:\n", a)
print("np.mean(a):", np.mean(a))    # 全部元素的平均值
print("np.mean(a, axis=0):\n", np.mean(a, axis=0))  # 0轴上的平均值
print("np.mean(a, axis=(0, 2)):\n", np.mean(a, axis=(0, 2)))    # 0轴和2轴平均值

输出：

数组a:
 [[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]
np.mean(a): 11.5
np.mean(a, axis=0):
 [[ 6.  7.  8.  9.]			# (0+12)/2=6 (1+13)/2=7...
 [10. 11. 12. 13.]			# (4+16)/2=10 (5+17)/2=11...
 [14. 15. 16. 17.]]			# (8+20)/2=14 (9+21)/2=15..
np.mean(a, axis=(0, 2)):
 [ 7.5 11.5 15.5]			# (0+1+2+3+12+13+14+15)/2=7.5..

3.numpy.average(a,axis=None,weights=None)

根据给定轴axis计算数组a相关元素的加权平均值,

weights是一个权重数组，形状应与给定数组a的shape相同，即：weights.shape=a.shape或者在指定一个轴axis时，weight则应是一个一维数组，数组元素个数与指定轴维度数相同。

当不指定weigts时，此时即为求平均值，效果同.mean相同

例：

print("数组a:\n", a)
print("np.average(a, axis=0):\n", np.average(a, axis=0))
print("np.average(a, axis=0, weights=[10, 1]):\n", np.average(a, axis=0, weights=[10, 1]))
wei = np.random.randint(1, 60, (2, 3, 4 ))
print("权重数组是：", wei)
print("np.average(a, axis=(0, 2), weights=wei):\n", np.average(a, axis=(0, 2), weights=wei))

输出：

数组a:
 [[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]
np.average(a, axis=0):
 [[ 6.  7.  8.  9.]
 [10. 11. 12. 13.]
 [14. 15. 16. 17.]]
np.average(a, axis=0, weights=[10, 1]):
 [[ 1.09090909  2.09090909  3.09090909  4.09090909]	# (0*10+12*1)/(10+1)=1.0909
 [ 5.09090909  6.09090909  7.09090909  8.09090909]	# (4*10+16*1)/(10+1)=5.0909
 [ 9.09090909 10.09090909 11.09090909 12.09090909]]
权重数组是： [[[37  5 50  9]
  [ 9 40 17 42]
  [45  4 41 29]]

 [[17 24 29 37]
  [20  8 14 37]
  [ 3  1 48 14]]]
np.average(a, axis=(0, 2), weights=wei):
 [ 7.73557692 10.92513369 13.96756757]	# (0*37+1*5+2*50+3*9+12*17+13*24+14*29+15*37)/(37+5+50+9+17+24+29+37)=7.7355

3.标准差/方差

4.numpy.std(a,axis=None)/a.std(axis=None)       numpy.var(a,axis=None)/a.var(axis=None)

.std(a,axis=None)根据给定轴axis计算数组a相关元素的总体标准差（要与样本标准差区分）

即:σ=1N∑Ni=1(xi−x¯¯¯)2−−−−−−−−−−−−−−√$\sigma =\sqrt{\frac{1}{N}\sum _{i=1}^N(x_i-\overline{x}{)}^2}$

(Standard Deviation）——std标准差，又称均方差

.var(a,axis=None)根据给定轴axis计算数组a相关元素的总体方差

即：σ2=∑Ni=1(xi−x¯¯