pre_mean = np.mean(pre, axis=1)和pre_mean = np.mean(pre,1)有什么区别

`pre_mean = np.mean(pre, axis=1)`和`pre_mean = np.mean(pre,1)`实现的功能相同，都是求`pre`数组的每行的平均值。

区别在于，`np.mean()`函数可以通过`axis`参数指定计算平均值的轴，而`pre_mean = np.mean(pre,1)`是`np.mean()`函数的简写形式，其中`1`代表了`axis=1`，即计算每行的平均值。如果要计算每列的平均值，则需要使用`pre_mean = np.mean(pre,0)`或`pre_mean = np.mean(pre,axis=0)`。

总的来说，`np.mean(pre, axis=1)`更加明确地指定了计算平均值的轴，更加清晰易懂。而`np.mean(pre,1)`则是其简写形式，更加简洁。

相关问题

year, lon, lat, pre=getpre(pth) #print(pre) #print(pre.shape) #(56, 29, 65) pre_mean = pre.mean(1) pre_mean = pre_mean.mean(1) print(pre_mean)为什么得到的pre_mean全是nan

根据代码，可以看出 `pre` 是一个三维数组，其形状为 `(56, 29, 65)`，表示共有 56 个样本，每个样本有 29 行和 65 列。在计算 `pre_mean` 时，首先对第二维进行均值计算，得到一个二维数组，然后对第三维进行均值计算，得到一个一维数组。但是，如果第二维或第三维存在缺失值，将会导致计算结果为 NaN。

因此，可以通过以下代码来查看缺失值的情况：

# 计算 pre_mean
pre_mean = pre.mean(1)
pre_mean = pre_mean.mean(1)

# 查看是否存在 NaN 值
print(np.isnan(pre_mean).sum())

如果输出结果不为 0，说明存在 NaN 值。在这种情况下，可以使用 Numpy 的 `nanmean()` 函数来计算均值，该函数会自动忽略 NaN 值。具体来说，可以将上述代码修改为：

# 计算 pre_mean
pre_mean = np.nanmean(pre, axis=1)
pre_mean = np.nanmean(pre_mean, axis=1)

# 查看是否存在 NaN 值
print(np.isnan(pre_mean).sum())

这样就可以计算出不含 NaN 值的 `pre_mean` 了。

import numpy as np import pandas as pd import matplotlib.pyplot as plt import BPNN from sklearn import metrics from sklearn.metrics import mean_absolute_error from sklearn.metrics import mean_squared_error #导入必要的库 df1=pd.read_excel(r'D:\Users\Desktop\大数据\44.xls',0) df1=df1.iloc[:,:] #进行数据归一化 from sklearn import preprocessing min_max_scaler = preprocessing.MinMaxScaler() df0=min_max_scaler.fit_transform(df1) df = pd.DataFrame(df0, columns=df1.columns) x=df.iloc[:,:4] y=df.iloc[:,-1] #划分训练集测试集 cut=4#取最后cut=30天为测试集 x_train, x_test=x.iloc[4:],x.iloc[:4]#列表的切片操作，X.iloc[0:2400，0:7]即为1-2400行，1-7列 y_train, y_test=y.iloc[4:],y.iloc[:4] x_train, x_test=x_train.values, x_test.values y_train, y_test=y_train.values, y_test.values #神经网络搭建 bp1 = BPNN.BPNNRegression([4, 16, 1]) train_data=[[sx.reshape(4,1),sy.reshape(1,1)] for sx,sy in zip(x_train,y_train)] test_data = [np.reshape(sx,(4,1))for sx in x_test] #神经网络训练 bp1.MSGD(train_data, 1000, len(train_data), 0.2) #神经网络预测 y_predict=bp1.predict(test_data) y_pre = np.array(y_predict) # 列表转数组 y_pre=y_pre.reshape(4,1) y_pre=y_pre[:,0] #画图 #展示在测试集上的表现 draw=pd.concat([pd.DataFrame(y_test),pd.DataFrame(y_pre)],axis=1); draw.iloc[:,0].plot(figsize=(12,6)) draw.iloc[:,1].plot(figsize=(12,6)) plt.legend(('real', 'predict'),loc='upper right',fontsize='15') plt.title("Test Data",fontsize='30') #添加标题 #输出精度指标 print('测试集上的MAE/MSE') print(mean_absolute_error(y_pre, y_test)) print(mean_squared_error(y_pre, y_test) ) mape = np.mean(np.abs((y_pre-y_test)/(y_test)))*100 print('=============mape==============') print(mape,'%') # 画出真实数据和预测数据的对比曲线图 print("R2 = ",metrics.r2_score(y_test, y_pre)) # R2 运行上述程序。在下面这一步中draw=pd.concat([pd.DataFrame(y_test),pd.DataFrame(y_pre)],axis=1);我需要将归一化的数据变成真实值，输出对比图，该怎么修改程序

在将归一化的数据变回真实值的过程中，需要将归一化的因变量（即最后一列）逆转换回来，以得到真实的预测值和真实值。代码如下：

# 将预测结果和真实结果逆归一化
y_predict = min_max_scaler.inverse_transform(y_pre.reshape(-1, 1))
y_test = min_max_scaler.inverse_transform(y_test.reshape(-1, 1))

# 画图
draw=pd.concat([pd.DataFrame(y_test), pd.DataFrame(y_predict)], axis=1)
draw.iloc[:,0].plot(figsize=(12,6))
draw.iloc[:,1].plot(figsize=(12,6))
plt.legend(('real', 'predict'), loc='upper right', fontsize='15')
plt.title("Test Data", fontsize='30')

# 输出精度指标
print('测试集上的MAE/MSE')
print(mean_absolute_error(y_predict, y_test))
print(mean_squared_error(y_predict, y_test))
mape = np.mean(np.abs((y_predict-y_test)/(y_test)))*100
print('=============mape==============')
print(mape,'%')

# 输出R2分数
print("R2 = ", metrics.r2_score(y_test, y_predict))

在此代码中，我们使用了 MinMaxScaler 对象的 inverse_transform() 方法将归一化的结果转换回原始的数据范围。运行修改后的代码，即可得到真实值与预测值的对比图，以及各种精度指标的输出。