Python之数据分析（间接联合排序、所有最值相关函数、有序插入、定积分、插值器对象）

太过爱你忘了你带给我的痛 2022-11-26 09:56 64阅读 0赞

### 文章目录 ###

*   *   *  一、间接联合排序
         *  二、所有最值相关方法
         *  三、有序插入
         *  四、定积分
         *  五、插值器对象

### 一、间接联合排序 ###

**1、间接联合排序：** 获取排序样本的下标后来排序0 1 2 3 4 5 6 7 8  
原始序列：8 2 3 1 7 4 6 5 9  
直接排序：1 2 3 4 5 6 7 8 9  
间接排序：3 1 2 5 7 6 4 0 8

**2、使用方法**

*  numpy.lexsort((参考序列, 待排序列))  
    返回索引序列
 *  np.sort\_complex(A)  
    复数的排序，按照实部进行排，实部相同看虚部

**3、练习代码**

import numpy as np
    
    names = np.array(['李一', '刘二', '王三', '赵四', '姚五'])  # 存放姓名
    scores = np.array([90, 70, 50, 80, 60])  # 存放分数
    ages = np.array([10, 20, 20, 40, 50])  # 存放年龄
    
    # 按照年龄升序排，年龄相同的参考分数排，最后输出他们的姓名
    print(names[np.lexsort((scores, ages))])
    
    # 对复数进行排序：复数是按照实部进行排序的
    c = ages + scores * 1j  # 得到复数数组：用年龄当实部，分数乘单位向量当虚部
    d = np.sort_complex(c)
    print(d)

![联合排序][2020081122301249.png]

### 二、所有最值相关方法 ###

**1、成对最大值最小值**

*  max/min
 *  argmax/argmin
 *  nanmax/nanmin
 *  nanargmax/nanargmin

**2、nan解释**

*  max：最大值
 *  min：最小值
 *  arg：间接，取下标
 *  nan：忽略无效值求最值

**3、练习代码**

import numpy as np
    
    a = np.array([1, 2, np.nan, 4, 5])
    print(np.max(a), np.min(a))  # nan既是最大值也是最小值
    print(np.argmax(a), np.argmin(a))  # 取最值的下标（索引）
    print(np.nanmax(a), np.nanmin(a))  # 忽略无效值的最值
    print(np.nanargmax(a), np.nanargmin(a))  # 忽略无效值的最值下标

![最值][20200811223237486.png]

### 三、有序插入 ###

**1、引入**  
有序序列：\[1, 2, 4, 5, 7, 8, 10\]  
被插序列：\[6, 3\]

**2、调用方法**

*  numpy.searchsorted(有序序列, 被插序列)  
    返回插入的位置
 *  numpy.insert(有序序列, 插入位置, 被插序列)  
    直接插入，返回插入结果

**3、练习代码**

import numpy as np
    
    a = np.array([1, 2, 4, 5, 7, 8, 10])
    b = np.array([6, 3])
    c = np.searchsorted(a, b)  # 达到b有序插入在a后的位置下标
    print(c)
    
    # 直接插入
    d = np.insert(a, c, b)  # 将b按照c的位置序列插入到a中
    print(d)

![有序插入][20200811223433538.png]

### 四、定积分 ###

**1、导入库：** import scipy.integrate as si

**2、存原函数：**  
def f(x):  
y = …x…  
return y

**3、上下限：** a, b = \_\_, \_\_

**4、求定积分：** si.quad(f, a, b)\[0\]  
返回的结果是定积分值

### 五、插值器对象 ###

**1、用处：** 用于样本非常少，但又希望曲线足够平滑的时候。

**2、使用步骤**  
1）import scipy.interpolate as si

2）si.interp1d(离散样本水平坐标, 离散样本垂直坐标, kind=‘插值器种类’)

返回一个一维插值器对象；  
注意：p1d中间的是数字1，插值器种类默认的线性插值器  
然后将该插值器对象当做函数去运行，传入参数：插值样本的水平坐标  
最后会得到插值样本的垂直坐标

**3、插值器案例（样本极少）**

import numpy as np
    import scipy.interpolate as si
    import matplotlib.pylab as mp
    
    min_x, max_x = -2.5, 2.5  # 标记水平坐标最值
    
    # 连续曲线
    con_x = np.linspace(min_x, max_x, 1001)  # 生成1000个原始信息
    con_y = np.sinc(con_x)
    
    # 离散曲线
    dis_x = np.linspace(min_x, max_x, 11)
    dis_y = np.sinc(dis_x)
    
    # 线性插值器：将散点连接起来
    linear = si.interp1d(dis_x, dis_y)  # 创建线性插值器
    lin_x = np.linspace(min_x, max_x, 51)  # 插值横坐标
    lin_y = linear(lin_x)
    
    # 样条插值器
    cubic = si.interp1d(dis_x, dis_y, kind='cubic')  # 需要加一个kind参数，因为默认是线性的
    cub_x = np.linspace(min_x, max_x, 51)
    cub_y = cubic(cub_x)
    
    # 绘制连续曲线
    mp.figure('Interpolation', facecolor='lightgray')
    mp.subplot(2, 2, 1)
    mp.title('Continuous', fontsize=16)
    mp.ylabel('y', fontsize=12)
    mp.tick_params(labelsize=10)
    mp.plot(con_x, con_y, c='limegreen', label='Continuous')
    mp.legend()
    
    # 绘制离散样本曲线
    mp.subplot(2, 2, 2)
    mp.title('Discrete', fontsize=16)
    mp.ylabel('y', fontsize=12)
    mp.tick_params(labelsize=10)
    # mp.plot(dis_x, dis_y, c='dodgerblue', label='Discrete')
    mp.scatter(dis_x, dis_y, c='dodgerblue', label='Discrete')  # 散点图
    mp.legend()
    
    # 线性插值样本图（连接散点）
    mp.subplot(2, 2, 3)
    mp.title('Linear', fontsize=16)
    mp.xlabel('x', fontsize=12)
    mp.ylabel('y', fontsize=12)
    mp.tick_params(labelsize=10)
    mp.plot(lin_x, lin_y, 'o-', c='orangered', label='Linear')  # 散点图
    mp.scatter(dis_x, dis_y, c='green', zorder=3)
    mp.legend()
    
    # 样条插值器图
    mp.subplot(2, 2, 4)
    mp.title('Cubic', fontsize=16)
    mp.xlabel('x', fontsize=12)
    mp.ylabel('y', fontsize=12)
    mp.tick_params(labelsize=10)
    mp.plot(cub_x, cub_y, 'o-', c='hotpink', label='Cubic')  # 散点图
    mp.scatter(dis_x, dis_y, c='blue', zorder=3)
    mp.legend()
    
    mp.tight_layout()
    mp.show()

![插值器对象][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpZXdpbmZpbml0ZWx5_size_16_color_FFFFFF_t_70]

[2020081122301249.png]: /images/20221124/0ee69a68bd4041e4a6aa9cde49056a70.png
[20200811223237486.png]: /images/20221124/70314768912b4a64a53043e3b330c6d7.png
[20200811223433538.png]: /images/20221124/661ac1c6a0054530b9fb8da7c78ee8de.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1ZpZXdpbmZpbml0ZWx5_size_16_color_FFFFFF_t_70]: /images/20221124/70d415012d004089b1dd71c6aefa0106.png