np.mean np.cov numpy.corrcoef pyplot.scatter pyplot.contour函数
搬运 :https://blog.csdn.net/lilong117194/article/details/78397329?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
>>> a = np.array([[1, 2], [3, 4]])
>>> a
array([[1, 2],
[3, 4]])
>>> np.mean(a)
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])
>>>
>>> import numpy as np
>>> num1 = np.array([[1,2,3],[2,3,4],[3,4,5],[4,5,6]])
>>> num1
array([[1, 2, 3],
[2, 3, 4],
[3, 4, 5],
[4, 5, 6]])
>>> num2 = np.mat(num1)
>>> num2
matrix([[1, 2, 3],
[2, 3, 4],
[3, 4, 5],
[4, 5, 6]])
>>> np.mean(num2) # 对所有元素求均值
3.5
>>> np.mean(num2,0) # 压缩行，对各列求均值
matrix([[ 2.5, 3.5, 4.5]])
>>> np.mean(num2,1) # 压缩列，对各行求均值
matrix([[ 2.],
[ 3.],
[ 4.],
[ 5.]])
>>>
np.cov()
Numpy中的 cov() 可以直接求得矩阵的协方差矩阵。
from numpy import *
A = array([[0, 2], [1, 1], [2, 0]]).T
print(A) # [[0 1 2][2 1 0]]
B = cov(A) # 默认行为变量计算方式，即X为行，Y也为行
print(B) # [[ 1. -1.][-1. 1.]]
C = cov(A, rowvar=False) # 此时列为变量计算方式 即X为列，Y也为列
print(C) # [[ 2. 0. -2.][ 0. 0. 0.][-2. 0. 2.]]
————————————————
版权声明：本文为CSDN博主「Arrow and Bullet」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_41800366/article/details/88063772
numpy.corrcoef ()
numpy.corrcoef（x，y = None，rowvar = True ）
返回皮尔逊积矩相关系数。
x ： 类似数组
一维或二维数组，其中包含多个变量和观察值。x的每一行代表一个变量，每一列代表所有这些变量的单个观察值。另请参见下面的rowvar。
y ： array_like，可选
另一组变量和观察值。y与x具有相同的形状。
rowvar ： 布尔值，可选
如果rowvar为True（默认值），则每一行代表一个变量，各列中带有观察值。否则，该关系将转置：每一列代表一个变量，而行包含观察值。
a = pd.Series([1,2,3,4,5,6,7,8,9,10])
b = pd.Series([2,4,1,5,1,3,6,2,7,0])
c = pd.Series([0,3,2,1,4,7,1,9,6,2])
x = np.vstack((a,b,c))
r = np.corrcoef(x)
print(r)
>>>
[[1. 0.10233683 0.47840854]
[0.10233683 1. 0.0242104 ]
[0.47840854 0.0242104 1. ]]
matplotlib.pyplot.scatter
matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, plotnonfinite=False, data=None, **kwargs)[source]
x，y ： array_like，形状（n，）
数据位置。
s ： 标量或类似array_，形状（n，），可选
标记大小（以磅为单位）** 2。默认值为。rcParams[‘lines.markersize’] ** 2
c ： 颜色，序列或颜色序列，可选
marker : MarkerStyle，可选
标记样式。标记可以是类的实例，也可以是特定标记的文本简写。默认为None，在这种情况下，其值为 =‘o’。参见以获取有关标记样式的更多信息。rcParams[“scatter.marker”] = 'o’markers
CMAP ： Colormap，可选，默认：无
一个Colormap实例或注册的颜色表名。仅当c是浮点数数组时才使用cmap。如果为，则默认为rc 。Noneimage.cmap
norm ： Normalize，可选，默认：无
甲Normalize实例用于刻度的亮度数据为0，1 范数，如果只用于Ç是浮点数的数组。如果为None，则使用默认值colors.Normalize。
python matplotlib contour画等高线图
⬇️
https://blog.csdn.net/Mr_Cat123/article/details/80677525?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
作者：昵称太长不好起就叫柚子吧
