使用numpy.mean() 计算矩阵均值方式

numpy.mean计算矩阵均值

计算矩阵的均值

>>> 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:

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:

>>> 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:

>>> a = np.zeros((2, 512*512), dtype=np.float32)
>>> a[0, :] = 1.0
>>> a[1, :] = 0.1
>>> np.mean(a)
0.54999924
>>> 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))

>>> 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脚本之家。

你可能感兴趣的