Fungsi Pengagregatan
Kira jumlah, min, minimum, maksimum dan sisihan piawai merentas seluruh tatasusunan atau sepanjang paksi tertentu.
Fungsi Pengagregatan ialah pelajaran Pandas & NumPy Academy percuma di CoddyKit. Ini ialah pelajaran 2 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pandas & NumPy Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pandas & NumPy Academy merangkumi sejumlah 4 pelajaran.
Apakah Agregasi Itu?
Agregasi meringkaskan tatasusunan kepada beberapa nilai ringkasan, seperti jumlah keseluruhan atau purata. Fungsi terbina dalam NumPy melakukannya dalam C dengan pantas, tanpa memerlukan gelung.
import numpy as np
a = np.array([3, 7, 2, 9, 1, 6])
print('sum:', a.sum()) # 28
print('mean:', a.mean()) # 4.666...
print('max:', a.max()) # 9sum() dan cumsum()
Gunakan a.sum() untuk mendapatkan jumlah keseluruhan setiap elemen, dan np.cumsum untuk jumlah terkumpul — setiap kedudukan menyimpan jumlah semua elemen sehingga kedudukan itu.
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a.sum()) # 15
print(np.cumsum(a)) # [ 1 3 6 10 15]mean() dan std()
a.mean() memberikan purata dan a.std() memberikan sisihan piawai. Secara lalai, std membahagi dengan N; hantarkan ddof=1 apabila data anda ialah sampel.
import numpy as np
a = np.array([2.0, 4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 9.0])
print('mean:', a.mean()) # 5.0
print('std (pop):', a.std()) # 2.0
print('std (sample):', a.std(ddof=1)) # 2.138...min() dan max() dengan argmin/argmax
a.min() dan a.max() memberikan nilai terkecil dan terbesar. Mahu mendapatkan kedudukannya pula? argmin dan argmax mengembalikan indeks bagi setiap nilai.
import numpy as np
a = np.array([3, 7, 2, 9, 1, 6])
print('min:', a.min(), 'at index', a.argmin()) # 1 at 4
print('max:', a.max(), 'at index', a.argmax()) # 9 at 3Mengagregat Sepanjang Paksi
Argumen axis memilih dimensi yang hendak diringkaskan: axis=0 memberikan satu nilai bagi setiap lajur, manakala axis=1 memberikan satu nilai bagi setiap baris. Jika tidak dinyatakan, seluruh tatasusunan akan diringkaskan.
import numpy as np
m = np.array([[1, 2, 3],
[4, 5, 6]])
print(m.sum(axis=0)) # [5 7 9] -- column sums
print(m.sum(axis=1)) # [ 6 15] -- row sums
print(m.mean(axis=0)) # [2.5 3.5 4.5]keepdims=True untuk Mengekalkan Bentuk
Mengagregat sepanjang sesuatu paksi akan membuang dimensi itu. Tambahkan keepdims=True untuk mengekalkannya dengan saiz 1 — penting apabila anda mahu hasilnya disiarkan semula kemudian.
import numpy as np
m = np.array([[1, 2, 3],
[4, 5, 6]])
row_sums = m.sum(axis=1, keepdims=True)
print(row_sums.shape) # (2, 1)
normed = m / row_sums
print(normed.round(3))
# [[0.167 0.333 0.5 ]
# [0.267 0.333 0.4 ]]Agregasi Selamat NaN
Satu NaN menyebabkan jumlah atau purata biasa mengembalikan NaN. Versi selamat NaN — np.nansum, np.nanmean dan yang seumpamanya — hanya mengabaikan nilai yang hilang.
import numpy as np
a = np.array([1.0, np.nan, 3.0, np.nan, 5.0])
print(a.sum()) # nan
print(np.nansum(a)) # 9.0
print(np.nanmean(a)) # 3.0
print(np.nanmax(a)) # 5.0np.median dan np.percentile
np.median memberikan nilai tengah dan jauh lebih tidak terjejas oleh nilai terpencil berbanding purata. np.percentile mencari nilai yang berada di bawah peratusan data tertentu.
import numpy as np
a = np.array([1, 2, 3, 4, 100]) # outlier at 100
print('mean:', a.mean()) # 22.0 -- skewed
print('median:', np.median(a)) # 3.0 -- robust
print(np.percentile(a, [25, 50, 75])) # [ 2. 3. 4.]np.any() dan np.all()
np.any mengembalikan benar jika sekurang-kurangnya satu elemen memenuhi syarat; np.all mengembalikan benar hanya jika setiap elemen memenuhinya. Kedua-duanya boleh menyemak setiap baris atau lajur.
import numpy as np
a = np.array([1, -2, 3, -4])
print(np.any(a < 0)) # True (some are negative)
print(np.all(a > 0)) # False (not all are positive)
# Row-wise check on 2D
m = np.array([[1, 2], [-1, 3]])
print(np.all(m > 0, axis=1)) # [ True False]np.count_nonzero()
np.count_nonzero mengira bilangan elemen yang bukan sifar — atau bilangan elemen yang benar. Hantarkan syarat seperti a > 5 untuk mengira padanan dengan mudah.
import numpy as np
a = np.array([3, 0, 7, 0, 2, 0])
print(np.count_nonzero(a)) # 3
print(np.count_nonzero(a > 2)) # 2 (elements 3 and 7)
m = np.array([[0, 1], [1, 1]])
print(np.count_nonzero(m, axis=0)) # [1 2]np.unique() untuk Nilai Berbeza
np.unique mengembalikan nilai berbeza yang telah diisih. Tambahkan return_counts=True untuk turut mendapatkan kekerapan setiap nilai — jadual kekerapan serta-merta.
import numpy as np
a = np.array([3, 1, 4, 1, 5, 9, 2, 6, 5, 3])
uniq, counts = np.unique(a, return_counts=True)
print(uniq) # [1 2 3 4 5 6 9]
print(counts) # [2 1 2 1 2 1 1]Semakan Pantas
Uji pemahaman anda tentang fungsi agregasi NumPy daripada pelajaran ini.
Imbas Kembali Pelajaran
Syabas! Agregasi NumPy meringkaskan tatasusunan dalam C dengan pantas, argumen axis memilih perkara yang hendak diringkaskan, dan versi selamat NaN mengabaikan nilai yang hilang. Seterusnya: penyiaran.
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Fungsi Pengagregatan” percuma?
Ya — teks penuh “Fungsi Pengagregatan” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Pandas & NumPy Academy, tingkat taraf kepada CoddyKit PRO. Kursus Pandas & NumPy Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Fungsi Pengagregatan”?
Kira jumlah, min, minimum, maksimum dan sisihan piawai merentas seluruh tatasusunan atau sepanjang paksi tertentu. Anda berlatih Pandas & NumPy Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Pandas & NumPy Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Pandas & NumPy Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 2 daripada 4.
Berapa lamakah pelajaran “Fungsi Pengagregatan” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pandas & NumPy Academy ini?
Ya. Setiap pelajaran Pandas & NumPy Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Fungsi Universal (ufuncs)
- Fungsi Pengagregatan
- Peraturan Penyiaran
- Penyamaran Boolean dan Pengindeksan Fancy