1. mean() 函数定义：
numpy.mean(a, axis=None, dtype=None, out=None, keepdims=<class numpy._globals._NoValue at 0x40b6a26c>)[source]
Compute the arithmetic mean along the specified axis.
Returns the average of the array elements. The average is taken over the flattened array by default, otherwise over the specified axis. float64intermediate and return values are used for integer inputs.
| Parameters: |
a : array_like
axis : None or int or tuple of ints, optional
dtype : data-type, optional
out : ndarray, optional
keepdims : bool, optional
|
|---|---|
| Returns: |
m : ndarray, see dtype parameter above
|
2 mean()函数功能：求取均值
经常操作的参数为axis，以m * n矩阵举例：
axis 不设置值，对 m*n 个数求均值，返回一个实数
axis = 0：压缩行，对各列求均值，返回 1* n 矩阵
axis =1 ：压缩列，对各行求均值，返回 m *1 矩阵
举例：
>>> import numpy as np >>> num1 = np.array([[1,2,3],[2,3,4],[3,4,5],[4,5,6]]) >>> now2 = np.mat(num1) >>> now2 matrix([[1, 2, 3], [2, 3, 4], [3, 4, 5], [4, 5, 6]]) >>> np.mean(now2) # 对所有元素求均值 3.5 >>> np.mean(now2,0) # 压缩行，对各列求均值 matrix([[ 2.5, 3.5, 4.5]]) >>> np.mean(now2,1) # 压缩列，对各行求均值 matrix([[ 2.], [ 3.], [ 4.], [ 5.]])
补充拓展：numpy的np.nanmax和np.max区别（坑）
numpy的np.nanmax和np.array([1,2,3,np.nan]).max()的区别（坑）
原理
在计算dataframe最大值时，最先用到的一定是Series对象的max()方法()，最终结果是4。
s1 = pd.Series([1,2,3,4,np.nan])
s1_max = s1.max()
但是笔者由于数据量巨大，列数较多，于是为了加快计算速度，采用numpy进行最大值的计算，但正如以下代码，最终结果得到的是nan，而非4。发现，采用这种方式计算最大值，nan也会包含进去，并最终结果为nan。
s1 = pd.Series([1,2,3,4,np.nan]) s1_max = s1.values.max() >>>nan
通过阅读numpy的文档发现，存在np.nanmax的函数，可以将np.nan排除进行最大值的计算，并得到想要的正确结果。
当然不止是max，min 、std、mean 均会存在列中含有np.nan时，s1.values.min /std/mean ()返回nan的情况。
速度区别
速度由快到慢依次:
s1 = pd.Series([1,2,3,4,5,np.nan]) #速度由快至慢 np.nanmax(s1.values) > np.nanmax(s1) > s1.max()
以上这篇python 的numpy库中的mean()函数用法介绍就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
