numpy.mean计算矩阵均值
计算矩阵的均值
1
2
3
4
5
6
7
|
>>> a = np.array([[ 1 , 2 ], [ 3 , 4 ]]) >>> np.mean(a) # 将上面二维矩阵的每个元素相加除以元素个数(求平均数) 2.5 >>> np.mean(a, axis = 0 ) # axis=0,计算每一列的均值 array([ 2. , 3. ]) >>> np.mean(a, axis = 1 ) # 计算每一行的均值 array([ 1.5 , 3.5 ]) |
官方手册
均值函数numpy.mean
mean是numpy中常用的求均值函数
现将mean的常用方法总结如下:
函数体:
1
|
numpy.mean(a, axis = None , dtype = None , out = None , keepdims = < class ‘numpy._globals._NoValue'>)[source] |
功能:
- 计算指定轴的算术平均值。
- 返回数组元素的平均值。默认的情况下,求均值的操作在平展开来的数组上进行,否则就在指定的轴上。
参数:
①a:必须是数组。
②axis:默认条件下是flatten的array,可以指定相应的轴。
如果是二维矩阵,axis=0返回纵轴的平均值,axis=1返回横轴的平均值。
例子如下:
1
2
3
4
5
6
7
|
>>> a = np.array([[ 1 , 2 ], [ 3 , 4 ]]) >>> np.mean(a) 2.5 >>> np.mean(a, axis = 0 ) array([ 2. , 3. ]) >>> np.mean(a, axis = 1 ) array([ 1.5 , 3.5 ]) |
- 你也可以用a.mean(1)来代替np.mean(a,axis=1)
- 这样子更简洁
返回值:
在out=None的情况下,返回的就是你要的平均值呗~
否则,返回一个对平均值的引用。
注意(关于精度):
算术平均值是沿轴的元素总和除以元素的数量。既然是除法,就涉及到一个精确度的问题。
对于浮点输入,平均值的计算使用与输入相同的精度计算,这可能会导致结果不准确,特别是对于float32来说。为了缓解这个问题,我们可以使用dtype关键字指定更高精度的累加器。
具体看下面这个例程:
1
2
3
4
5
|
>>> a = np.zeros(( 2 , 512 * 512 ), dtype = np.float32) >>> a[ 0 , :] = 1.0 >>> a[ 1 , :] = 0.1 >>> np.mean(a) 0.54999924 |
1
2
|
>>> np.mean(a, dtype = np.float64) 0.55000000074505806 |
如果想要返回标准差,可以调用标准差函数
std = sqrt(平均值(abs(x-x.mean())** 2))
1
2
3
4
5
6
7
|
>>> a = np.array([[ 1 , 2 ], [ 3 , 4 ]]) >>> np.std(a) 1.1180339887498949 >>> np.std(a, axis = 0 ) array([ 1. , 1. ]) >>> np.std(a, axis = 1 ) array([ 0.5 , 0.5 ]) |
以上为个人经验,希望能给大家一个参考,也希望大家多多支持服务器之家。
原文链接:https://blog.csdn.net/chixujohnny/article/details/51106421