可以通过 axis 参数传入坐标轴来指定统计的轴，当指定 axis 时，axis 的范围为 ndarray 的维度范围，可以利用 shape 函数获取 ndrray 的维度。我们来看例子：
import numpy as npa = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])print("初始数组：")print(a)print('\n')print(np.char.center('最小值', 15, ''))print("所有维度的最小值：")print(np.amin(a))print('\n')print("0轴的最小值：")print(np.amin(a, 0))print('\n')print("1轴的最小值：")print(np.amin(a, 1))print('\n')# 返回初始数组：[[1 2 3] [4 5 6] [7 8 9]]最小值所有维度的最小值：10轴的最小值：[1 2 3]1轴的最小值：[1 4 7]
我们例子中利用的是二维数组，以是 axis 只有取0和1两个值。实在我们还可以用 numpy.min() 来打算，效果是一样的，只不过 NumPy 的官方文档上没有写 numpy.min() 这个方法，看源码我们知道这个方法实在是 numpy.amin() 的别名。
用于打算数组中的元素沿指定轴的最大值。
（图片来自网络侵删）可以通过 axis 参数传入坐标轴来指定统计的轴，当指定 axis 时，axis 的范围为 ndarray 的维度范围，可以利用 shape 函数获取 ndrray 的维度。我们来看例子：
import numpy as npa = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])print("初始数组：")print(a)print('\n')print(np.char.center('最大值', 15, ''))print("所有维度的最大值：")print(np.amax(a))print('\n')print("0轴的最大值：")print(np.amax(a, 0))print('\n')print("1轴的最大值：")print(np.amax(a, 1))print('\n')# 返回初始数组：[[1 2 3] [4 5 6] [7 8 9]]最大值所有维度的最大值：90轴的最大值：[7 8 9]1轴的最大值：[3 6 9]这个函数和 numpy.amin() 函数是相反的含义，也可以用 numpy.max() 来打算。
numpy.ptp()打算数组中元素最大值与最小值的差（最大值 - 最小值）。
实例：
import numpy as npa = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])print("初始数组：")print(a)print('\n')print(np.char.center('最大值与最小值的差', 15, ''))print("所有维度的极差：")print(np.ptp(a))print('\n')print("0轴的极差：")print(np.ptp(a, 0))print('\n')print("1轴的极差：")print(np.ptp(a, 1))print('\n')# 返回最大值与最小值的差所有维度的极差：80轴的极差：[6 6 6]1轴的极差：[2 2 2]这个方法可以迅速的找出数组中任何维度的最大最小值之差，还是很方便的。
中位数numpy.percentile()百分位数是统计中利用的度量，表示小于这个值的不雅观察值的百分比。numpy.percentile(a, q, axis) 吸收以下参数:a: 输入数组q: 要打算的百分位数，在 0 ~ 100 之间axis: 沿着它打算百分位数的轴
这个百分位怎么理解呢？
例如第60个百分位是这样一个值，它使得至少有60%的数据项小于或即是这个值，且至少有40%的数据项大于或即是这个值。
我们来看看实例：
import numpy as npa = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])print("初始数组：")print(a)print('\n')print(np.char.center('百分位数', 15, ''))print("50%的分位数，即数组排序之后的中位数：")print(np.percentile(a, 50))print('\n')print("0轴的中位数：")print(np.percentile(a, 50, 0))print('\n')print("1轴的中位数：")print(np.percentile(a, 50, 1))print('\n')# 返回百分位数50%的分位数，即数组排序之后的中位数：5.00轴的中位数：[4. 5. 6.]1轴的中位数：[2. 5. 8.]numpy.median()用于打算数组 a 中元素的中位数（中值）
我们来看实例：
import numpy as npa = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])print("初始数组：")print(a)print('\n')print(np.char.center('打算中位数', 15, ''))print("所有元素的中位数：")print(np.median(a))print('\n')print("0轴的中位数：")print(np.median(a, 0))print('\n')print("1轴的中位数：")print(np.median(a, 1))print('\n')# 返回打算中位数所有元素的中位数：5.00轴的中位数：[4. 5. 6.]1轴的中位数：[2. 5. 8.]总数与均值numpy.sum()用于按指定轴打算数组中的元素的和。
实例：
import numpy as npa = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])print("初始数组：")print(a)print('\n')print(np.char.center('求和', 15, ''))print("所有维度的和：")print(np.sum(a))print('\n')print("按0轴求和：")print(np.sum(a, 0))print('\n')print("按1轴求和：")print(np.sum(a, 1))print('\n')# 返回求和所有维度的和：45按0轴求和：[12 15 18]按1轴求和：[ 6 15 24]不管按哪个维度求和，得出的结果再相加肯定即是所有维度求和的结果。
numpy.mean()按轴打算数组中元素的算术均匀值。
算术均匀值是沿轴的元素的总和除以元素的数量。我们来看实例：
import numpy as npa = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])print("初始数组：")print(a)print('\n')print(np.char.center('打算算术均匀值', 15, ''))print("所有元素的算术均匀值：")print(np.mean(a))print('\n')print("0轴的算术均匀值：")print(np.mean(a, 0))print('\n')print("1轴的算术均匀值：")print(np.mean(a, 1))print('\n')# 返回打算算术均匀值所有元素的算术均匀值：5.00轴的算术均匀值：[4. 5. 6.]1轴的算术均匀值：[2. 5. 8.]numpy.average()根据在另一个数组中给出的各自的权重打算数组中元素的加权均匀值，该函数可以吸收一个轴参数，如果没有指定轴，则数组会被展开。
加权均匀值是由每个分量乘以权重因子得到的均匀值。即将各数值乘以相应的权数，然后加总求和得到总体值，再除以总的单位数。
举个例子：数组[1, 2, 3, 4]对应的权重是[4， 3， 2， 1]，那么加权均匀值的打算公式为：
加权均匀值=(14+23+32+41)/(4+3+2+1)
实例：
import numpy as npprint(np.char.center('加权均匀值', 15, ''))b = np.array([1, 2, 3, 4])print("所有元素的加权均匀值（不指定权重相称于求均匀值）：")print(np.average(b))print('\n')print("指定权重的加权均匀值：")print(np.average(b, weights=[4, 3, 2, 1]))print('\n')print("指定权重的加权均匀值以及权重的和：")print(np.average(b, weights=[4, 3, 2, 1], returned=True))print('\n')# 返回加权均匀值所有元素的加权均匀值（不指定权重相称于求均匀值）：2.5指定权重的加权均匀值：2.0指定权重的加权均匀值以及权重的和：(2.0, 10.0)我们可以通过returned参数来设置是否返回权重的和。在上例中，权重数组中元素相加即是10。
方差与标准差numpy.var()打算数组中元素的方差
统计中的方差（样本方差）是每个样本值与全体样本值的均匀数之差的平方值的均匀数。打算公式为：
mean((x - x.mean()) 2)。
我们来看实例：
import numpy as npprint(np.char.center('打算方差', 15, ''))print(np.var([1, 2, 3, 4]))print('\n')# 返回打算方差1.25numpy.std()打算数组中袁术的标准差
标准差是一组数据均匀值分散程度的一种度量，是方差的算术平方根。标准差公式如下：
std = sqrt(mean((x - x.mean())2))
我们来看实例：
import numpy as npprint(np.char.center('打算标准差', 15, ''))print(np.std([1, 2, 3, 4]))print('\n')# 返回打算标准差1.118033988749895总结本文向大家先容了 NumPy 的统计函数，包括最大最小值函数、总数与均值函数、中位数函数以及方差与标准差函数。这些函数紧张利用在一些数据剖析的统计事情中，我们可以不用实现这些统计方法的事理而直策应用函数，使我们的代码简洁而高效。
