Numpy в среднем

Автор оригинала: Chris.

Numpy – популярная библиотека Python для науки о данных, ориентируясь на массивы, векторы и матрицы. Это в ядре данных науки и машины в Python. В сегодняшней статье вы собираетесь освоить впечатляющие средний () Функция, которая будет лояльным другом, когда борется с вашими предстоящими сражениями данных.

average(a, axis=None, weights=None, returned=False)

Вот краткое резюме np.average () Функция:

Средняя функция Numpy Вычисляет среднее значение всех числовых значений в Numpy Array. При использовании без параметров он просто рассчитывает численное среднее значение всех значений в массиве, независимо от размерности массива. Например, выражение np.average ([[1,2], [2,3]]) Результаты в среднем значении (1 + 2 + 2 + 3)/4.0 Отказ

Как рассчитать средневзвешенное средневзвечное массивовое массив в Python?

Тем не менее, что, если вы хотите рассчитать средневзвешенное среднее небольшой массива? Другими словами, вы хотите перевешивать t Некоторые значения массива и underweight другие.

Вы можете легко сделать это с Numpy’s средний Функция, передавая аргумент весов на Numpy средний функция.

import numpy as np

a = [-1, 1, 2, 2]

print(np.average(a))
# 1.0

print(np.average(a, weights = [1, 1, 1, 5]))
# 1.5

В первом примере мы просто усреднены по всем значениям массива: (-1 + 1 + 2 + 2)/4.0 Отказ Однако во втором примере мы избыточный вес последнего элемента 2 массива – он теперь несет в пять раз массу других элементов, приводящих к следующим вычислениям: (-1 + 1 + 2 + (2 + 2 + 2 + 2 + 2))/8.5 Отказ

Как в среднем вдоль оси?

Извлечение основных статистических данных из матриц (например, среднее значение, дисперсия, стандартное отклонение) является критическим компонентом для анализа широкого спектра наборов данных, таких как финансовые данные, данные о здоровье или данные в социальных сетях. С ростом машинного обучения и науки о данных, вашему опытному образованию операторов линейной алгебры с Numpy становится все более ценным для рынка

В следующем вы узнаете, как в среднем по оси. Вот что вы хотите достичь:

Вот как вы можете среднее по оси в Numpy:

import numpy as np

x = np.array([[1, 3, 5],
              [1, 1, 1],
              [0, 2, 4]])

print(np.average(x, axis=1))
# [3. 1. 2.]

Numpy Internall представляет данные, используя numpy массивы ( np.array ). Эти массивы могут иметь произвольное количество измерений. На рисунке выше, мы показываем двумерное множество массива.

На практике массив может иметь гораздо более высокую размерность. Вы можете быстро определить размерность Numpy Array, подсчитав количество открытых кронштейнов « [ » при создании массива. Чем более формальная альтернатива будет использовать NDIM Недвижимость Отказ

Каждое измерение имеет свой собственный идентификатор оси. Как правило, Внешнее измерение имеет идентификатор «0», второй внешний размер имеет идентификатор «1» и так далее.

По умолчанию средняя функция NUMPY заполнила все значения в Numpy Array в одно значение:

import numpy as np

x = np.array([[1, 3, 5],
              [1, 1, 1],
              [0, 2, 4]])



print(np.average(x))
# 2.0

Например, простое среднее значение naMpy рассчитывается следующим образом:

(1+3+5+1+1+1+0+2+4)/9 = 18/9 = 2.0

Расчет среднего, дисперсия, стандартное отклонение вдоль оси

Однако иногда вы хотите в среднем вдоль оси.

Например, вы можете работать в большой финансовой корпорации и захотите рассчитать среднюю цену акции цен – учитывая большую матрицу акций акций акций, цен на акции).

Вот как вы можете сделать это, указав ключевое слово « ось » в качестве аргумента средней функции:

import numpy as np


## Stock Price Data: 5 companies
# (row=[price_day_1, price_day_2, ...])
x = np.array([[8, 9, 11, 12],
              [1, 2, 2, 1], 
              [2, 8, 9, 9],
              [9, 6, 6, 3],
              [3, 3, 3, 3]])


avg = np.average(x, axis=1)

print("Averages: " + str(avg))

"""
Averages: [10.   1.5  7.   6.   3. ]
"""

Обратите внимание, что вы хотите выполнить функцию вдоль ось = 1 , то есть, это ось, которая агрегируется до единого значения. Следовательно, полученные Numpy массивы имеют уменьшенную размерность.

Высокомерное усреднение вдоль оси

Конечно, вы также можете выполнить это усреднение вдоль оси для высокомерных примесей. Концептуально, вы всегда будете агрегировать ось, которую вы указываете как аргумент.

Вот пример:

import numpy as np

x = np.array([[[1,2], [1,1]],
              [[1,1], [2,1]],
              [[1,0], [0,0]]])


print(np.average(x, axis=2))

"""
[[1.5 1. ]
 [1.  1.5]
 [0.5 0. ]]
"""

Numpy средняя головоломка

Пазлы – отличный способ проверить и тренировать свои навыки кодирования. Посмотрите на следующую головоломку:

import numpy as np

# Goals in five matches
goals_brazil = np.array([1,2,3,1,2])
goals_germany = np.array([1,0,1,2,0])

br = np.average(goals_brazil)
ge = np.average(goals_germany)
print(br>ge)

Упражнение : Что такое выход этой головоломки? *Начальный уровень*

Вы можете решить эту головоломку на интерактивном приложении головоломки Finxter:

Эта головоломка вводит одну новую функцию Numpy Library: средняя функция. При применении к 1D массив эта функция возвращает среднее значение массива.

В головоломке в среднем целями последних пяти игр Бразилии составляет 1,8 и Германии составляет 0,8. В среднем, Бразилия снизила еще одну цель за игру.

Вы мастер-кодер? Проверьте свои навыки сейчас!

Работая в качестве исследователя в распределенных системах, доктор Кристиан Майер нашел свою любовь к учению студентов компьютерных наук.

Чтобы помочь студентам достичь более высоких уровней успеха Python, он основал сайт программирования образования Finxter.com Отказ Он автор популярной книги программирования Python One-listers (Nostarch 2020), Coauthor of Кофе-брейк Python Серия самооставленных книг, энтузиаста компьютерных наук, Фрилансера и владелец одного из лучших 10 крупнейших Питон блоги по всему миру.

Его страсти пишут, чтение и кодирование. Но его величайшая страсть состоит в том, чтобы служить стремлению кодер через Finxter и помогать им повысить свои навыки. Вы можете присоединиться к его бесплатной академии электронной почты здесь.