pythonnumpysum

① python如何对二维数组求和

Python对二维数组求和的方法：首先定义好一个二维数组；然后使用map函数对数组里每一个元素进行sum操作即可对二维数组求和。

关于二维数组求和的几种方法：

a = [[1,2],[3,4],[5,6]]

方法一 sum(map(sum,a))

map(func,a) 函数是对a中的每一个元素进行sum操作

解释一下map函数， map(fund, a) equals [func(i) for i in a] and return a list

方法二 sum(sum(i) for i in a)

方法三 sum(sum(a[i]) for i in range(len(a)))

方法四 rece(lambda x,y:x+y , rece(lambda x,y:x+y, a))

解释一下rece(fun,a),rece返回的是一个结果值而不是一个list，第一步的时候是（［1，2］＋［3，4］） ＋ ［5，6］

得到一个［1，2，3，4，5，6］， 然后进行的运算是（（（（（1+2）＋3）＋4）＋5）＋6） ＝ 21

一般来说最常用的还是1和3这两种方法，不知道map or rece, 一般都会采用3， 而知道的应该会采用1，比较简洁。

推荐课程：Python核心基础(尚硅谷)

② python相关性分析如何生成两个相关性最强的两门

方法/步骤

• 第一步我们首先需要知道相关性主要有两个方向，一个是正方向一个是负方向，相关性系数是衡量两个变量之间影响程度，如下图所示：

  

③ （Python）numpy 常用操作

不放回取样：
从列表ori中不放回地取n个数

通过这种操作，我们可以获得一个二维列表的子集：
（如果这个二维列表是图的邻接矩阵，那么就是对图进行随机采样，获得一个图的子图）

首先要注意，"+" 操作对于list和numpy.array是完全不同的
python 中的list，"+"代表拼接:

在numpy.array中，"+"代表矩阵相加

keepdim指的是维度不变，常在sum中使用。如：

会发现，keepdim之后还是二维的

这里要注意，pytorch和numpy里max()函数的返回值是不同的
pytorch:

也就是说，max(1)代表求第一维的最大值，对于二维数组来说，就是求纵向的最大值，然后，第一个返回值是最大值所形成数组，第二个返回值是最大值所在的索引。这一个技巧在机器学习的分类任务中很常用，比如我们的分类任务是把数据分成m类，那么最终我们模型的输出是m维的，对于n个样本就是n*m，如果要判断我们的模型最终的分类结果，就是找n个样本里，每个样本m维输出的最大值索引，代表样本是这个类的可能性最大。我们可以方便地用这种方式找到最大值地索引：

其中test_out是模型输出，predict_y则是分类结果
另外一点要注意的是，numpy与pytorch不同，numpy的max()只有一个返回值：

也就是说，numpy.max()不会返回最大值所在的索引

④ Python,的numpy模块中有没有 阶乘函数

有阶乘函数，Numpy中，mat必须是2维的,但是array可以是多维的（1D，2D，3D····ND）. Matrix是Array的一个小的分支，包含于Array。所以matrix 拥有array的所有特性。

在numpy中matrix的主要优势是：相对简单的乘法运算符号。例如，a和b是两个matrices，那么a*b，就是矩阵积。

若a=mat([1,2,3])是矩阵，则 a.A 则转换成了数组，反之，a.M则转换成了矩阵。

(4)pythonnumpysum扩展阅读：

常用的Numpy运算：

取矩阵中的某一行ss[1,:]或该行的某两列ss[1,0:2]

将数组转换成矩阵randMat=mat(random.rand(4,4))

矩阵求逆randMat.I

单位阵eye(4)

零矩阵zeros((x,y))建立x行y列的零矩阵。

最大值和最小值a.max(),a.min(),而a.max(0)表示按列选取每列的最大值。最大/小元素的下标a.argmax(),a.argmin()

#作为方法x.sum() #所有元素相加x.sum(axis=0) #按列相加x.sum(axis=1) #按行相加#作为函数sum(a,axis=0)ss.mean()

mean(a,axis=0(或1)) #按列或行求均值var(a)var(a,axis=0(或1)) #按列或行求方差。

std(a)std(a,axis=0(或1)) #按列或行求标准差ss.T或ss.transpose() #转置。

⑤ python numpy查询数组是否有某个数的总个数

importnumpyasnp

a=np.ones((4,5))
print(a)
print(np.sum(a==1))

假定数组为a

可以先试用a==某个数，转换为一个包含True或者False的数字，

等于该树则为True，不等于则为False

True又可以当作1，False可以当作0

使用np.sum求和可以得到等于该数的总个数

⑥ Python中Numpy库中的np.sum怎么理解

c = np.array([[[0, 1, 2,3],
[4, 5, 6,7]],
[[1, 2, 3,4],
[5,6,7,8]]]

print( c.sum(axis=0))
print( c.sum(axis=1))
print( c.sum(axis=2))

一个不是很简单，但是很好理解的方法是：你的输入矩阵的shape是(2,2,4)，那么当axis=0时，就是在第一个dimension上进行求和，最后得到的结果的shape就是去掉第一个dimension后的shape，也就是(2,4)。具体的计算方法则是，对于c[i,j,k]，假设输出矩阵为s[j,k]，第一个dimension求和那么就是
s[j,k]=∑i(c[i,j,k])

如果axis=1，那么输出shape就是去掉第二个dim，也就是(2,4)，计算是 s[i,k]=sumj(c[i,j,k])
如果axis=2，那么输出shape就是去掉第三个dim，也就是(2,2)，计算是 s[i,j]=sumk(c[i,j,k])
在数据处理里面经常会碰到高维数据，通过二维矩阵去想它的计算方法就很难了，这个时候只要按axis对应的维度求和，其他维度的位置和形状不变，最后把shape去掉对应维度就能理解了