exp:高等数学里以自然常数e为底的指数函数

numpy.exp():返回e的幂次方,e是一个常数为2.71828

 

numpy.power(3,x)   所有元素乘以3   和 3**X 得到的 结果是一致的

 

numpy.reciprocal() 函数返回参数逐元素的倒数。如 1/4 倒数为 4/1

 

numpy.mod() 计算输入数组中相应元素的相除后的余数。 函数 numpy.remainder() 也产生相同的结果。

 

numpy.log()

e为底   log下什么都不写默认是自然对数  

eg: np.log(10)      

2.302585092994046

 

numpy.dot() 对于两个一维的数组,计算的是这两个数组对应下标元素的乘积和(数学上称之为内积);对于二维数组,计算的是两个数组的矩阵乘积   

eg: 

a = np.array([[1,2],[3,4]])

b = np.array([[11,12],[13,14]])

print(np.dot(a,b))

结果: [[37  40] 
       [85  92]]

  计算方式:  [[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]     (a的每一行,与b 的每一列乘积相加 的 和)

 

np.prod()函数用来计算所有元素的乘积,对于有多个维度的数组可以指定轴,如axis=1指定计算每一行的乘积

np.mean()  求平均值    np.median() 中位数           【当数组或矩阵中有个别 异常数据时, 中位数比 平均值更好表达 】

np.percentile(b,q=percent)  百分位

np.var()  求方差

     (variance)是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望(即均值)之间的偏离程度。统计中的方差(样本方差)是各个数据分别与其平均数之差的平方的和的平均数。在许多实际问题中,研究方差即偏离程度有着重要意义。 

np.std() 求标准差

      均方差、均方误差又是什么? 
标准差(Standard Deviation) ,中文环境中又常称均方差,但不同于均方误差(mean squared error,均方误差是各数据偏离真实值的距离平方和的平均数,也即误差平方和的平均数,计算公式形式上接近方差,它的开方叫均方根误差,均方根误差才和标准差形式上接近),标准差是离均差平方和平均后的方根,用σ表示。标准差是方差的算术平方根。 
从上面定义我们可以得到以下几点: 
1、均方差就是标准差,标准差就是均方差 
2、均方误差不同于均方误差 
3、均方误差是各数据偏离真实值的距离平方和的平均数