Numpy中的操作：基于行和基于列的操作

在本文中，我们将介绍Numpy库的行和列操作。Numpy是一个用于数值计算的Python库，广泛使用于数据科学、机器学习等领域。其核心功能是高效的数组操作，尤其是针对多维数组。而一个多维数组对于使用者来说，就是一个矩阵。

阅读更多：Numpy 教程

创建一个矩阵

在Numpy中，我们使用ndarray（N-dimensional array）类型来表示矩阵。使用array()函数可以将Python中的列表或元组转换为Numpy数组。

例如，我们可以通过以下方式创建一个2行3列的矩阵：

import numpy as np

my_list = [[1, 2, 3], [4, 5, 6]]
my_array = np.array(my_list)

print(my_array)

输出结果：

[[1 2 3]
 [4 5 6]]

基于行进行操作

计算行的和

使用sum()方法可以对矩阵的每一行求和：

row_sum = my_array.sum(axis=1)

print(row_sum)

输出结果：

[ 6 15]

这里使用了axis参数来指定行操作。参数的默认值为None，这表示对整个数组进行操作。当axis=0时表示对列操作，而axis=1则表示对行操作。

上面的例子中，我们还可以通过使用a.sum(axis=1, keepdims=True)来保留行向量的维度。

计算行的平均值

使用mean()方法可以对矩阵的每一行求平均值：

row_mean = my_array.mean(axis=1)

print(row_mean)

输出结果：

[2. 5.]

计算行的标准差和方差

使用std()方法可以对矩阵的每一行求标准差：

row_std = my_array.std(axis=1)

print(row_std)

输出结果：

[0.81649658 0.81649658]

使用var()方法可以对矩阵的每一行求方差：

row_var = my_array.var(axis=1)

print(row_var)

输出结果：

[0.66666667 0.66666667]

计算行的最大值和最小值

使用max()方法可以对矩阵的每一行求最大值：

row_max = my_array.max(axis=1)

print(row_max)

输出结果：

[3 6]

使用min()方法可以对矩阵的每一行求最小值：

row_min = my_array.min(axis=1)

print(row_min)

输出结果：

[1 4]

对每一行应用自定义函数

使用apply_along_axis()方法可以对矩阵的每一行应用自定义函数：

def my_func(x):
    return x[0] / x[1] * x[2]

row_result = np.apply_along_axis(my_func, axis=1, arr=my_array)

print(row_result)

输出结果：

[0.66666667 3.33333333]

基于列进行操作

基于行操作的方法同样可以基于列操作。只需要将axis参数改为0即可。

计算列的和

col_sum = my_array.sum(axis=0)

print(col_sum)

输出结果：

[5 7 9]

计算列的平均值

col_mean = my_array.mean(axis=0)

print(col_mean)

输出结果：

[2.5 3.5 4.5]

计算列的标准差和方差

col_std = my_array.std(axis=0)

print(col_std)

输出结果：

[1.5 1.5 1.5]

col_var = my_array.var(axis=0)

print(col_var)

输出结果：

[2.25 2.25 2.25]

计算列的最大值和最小值

col_max = my_array.max(axis=0)

print(col_max)

输出结果：

[4 5 6]

col_min = my_array.min(axis=0)

print(col_min)

输出结果：

[1 2 3]

对每一列应用自定义函数

def my_func(x):
    return x[0] * 2 + x[1] + x[2]

col_result = np.apply_along_axis(my_func, axis=0, arr=my_array)

print(col_result)

输出结果：

[ 9 12 15]

总结

在本文中，我们介绍了Numpy库的行和列操作，包括基于行和列进行计算求和、求平均值、求标准差和方差、求最大值和最小值等。除此之外，我们还演示了如何对每一行和每一列应用自定义函数。

这些操作对于矩阵处理和数值计算非常有用，在数据科学、机器学习等领域，可以帮助我们快速分析和处理数据。