使用numpy对数组求平均时怎么忽略nan值

这篇文章主要介绍“使用numpy对数组求平均时怎么忽略nan值”，在日常操作中，相信很多人在使用numpy对数组求平均时怎么忽略nan值问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”使用numpy对数组求平均时怎么忽略nan值”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

numpy对数组求平均时忽略nan值

在对numpy数组求平均np.mean()或者求数组中最大最小值np.max()/np.min()时，如果数组中有nan,此时求得的结果为：nan，那么该如何忽略其中的nan呢？

此时应该用另一个方法

• np.nanmean(),np.nanmax(),np.nanmin()

使用np.mean()的效果

使用np.nanmean()的效果

numpy含nan值进行归一化操作

方法一

import numpy as npA = np.array([[  7,     4,   5,  7000],              [  1,   900,   9,   nan],              [  5, -1000, nan,   100],              [nan,   nan,   3,  1000]])#Compute NaN-normsL1_norm = np.nansum(np.abs(A), axis=1)L2_norm = np.sqrt(np.nansum(A**2, axis=1))max_norm = np.nanmax(np.abs(A), axis=1)#Normalize rowsA_L1 =  A / L1_norm[:,np.newaxis] # A.values if DataframeA_L2 =  A / L2_norm[:,np.newaxis]A_max = A / max_norm[:,np.newaxis]#Check that it workedL1_norm_after = np.nansum(np.abs(A_L1), axis=1)L2_norm_after = np.sqrt(np.nansum(A_L2**2, axis=1))max_norm_after = np.nanmax(np.abs(A_max), axis=1) In[182]: L1_norm_afterOut[182]: array([1., 1., 1., 1.]) In[183]: L2_norm_afterOut[183]: array([1., 1., 1., 1.]) In[184]: max_norm_afterOut[184]: array([1., 1., 1., 1.])

方法二

rom numpy import nan, nanmeanfrom sklearn.preprocessing import StandardScalerscaler = StandardScaler()A = [[  7,     4,   5,  7000],     [  1,   900,   9,   nan],     [  5, -1000, nan,   100],     [nan,   nan,   3,  1000]]scaler.fit(A)In [45]: scaler.mean_Out[45]: array([4.33333333,  -32.,    5.66666667, 2700.])In [46]: scaler.transform(A)Out[46]: array([[ 1.06904497,  0.04638641, -0.26726124,  1.40399977],                [-1.33630621,  1.20089267,  1.33630621,         nan],                [ 0.26726124, -1.24727908,         nan, -0.84893009],                [        nan,         nan, -1.06904497, -0.55506968]])In [54]: nanmean(scaler.transform(A), axis=0)Out[54]: array([ 1.48029737e-16,  0.00000000e+00, -1.48029737e-16,0.00000000e+00])

到此，关于“使用numpy对数组求平均时怎么忽略nan值”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注编程网网站，小编会继续努力为大家带来更多实用的文章！