numpy中的函数怎么用
导读:本文共5215.5字符,通常情况下阅读需要17分钟。同时您也可以点击右侧朗读,来听本文内容。按键盘←(左) →(右) 方向键可以翻页。
摘要: 简介在NumPy中,多维数组除了基本的算数运算之外,还内置了一些非常有用的函数,可以加快我们的科学计算的速度。简单函数我们先看下比较常见的运算函数,在使用之前,我们先构造一个数组:arr=np.arange(10)array([0,1,2,3,4,5,6,7,8,9])计算数组中元素的开方:np.sqrt(arr)array([0.,1.,1.4142,1.73... ...
目录
(为您整理了一些要点),点击可以直达。简介
在NumPy中,多维数组除了基本的算数运算之外,还内置了一些非常有用的函数,可以加快我们的科学计算的速度。
简单函数
我们先看下比较常见的运算函数,在使用之前,我们先构造一个数组:
arr=np.arange(10)
array([0,1,2,3,4,5,6,7,8,9])
计算数组中元素的开方:
np.sqrt(arr)
array([0.,1.,1.4142,1.7321,2.,2.2361,2.4495,2.6458,2.8284,3.])
自然常数e为底的指数函数:
np.exp(arr)
array([1.,2.7183,7.3891,20.0855,54.5982,148.4132,403.4288,1096.6332,2980.958,8103.0839])
取两个数组的最大值,组成新的数组:
x=np.random.randn(8)y=np.random.randn(8)x,y
(array([-2.3594,-0.1995,-1.542,-0.9707,-1.307,0.2863,0.378,-0.7539]),array([0.3313,1.3497,0.0699,0.2467,-0.0119,1.0048,1.3272,-0.9193]))
np.maximum(x,y)
array([0.3313,1.3497,0.0699,0.2467,-0.0119,1.0048,1.3272,-0.7539])
返 回浮点数数组的小数和整数部分:
arr=np.random.randn(7)*5
array([-7.7455,0.1109,3.7918,-3.3026,4.3129,-0.0502,0.25])
remainder,whole_part=np.modf(arr)
(array([-0.7455,0.1109,0.7918,-0.3026,0.3129,-0.0502,0.25]),array([-7.,0.,3.,-3.,4.,-0.,0.]))
矢量化数组运算
如果要进行数组之间的运算,常用的方法就是进行循环遍历,但是这样的效率会比较低。所以Numpy提供了数组之间的数据处理的方法。
先来讲解一下 np.meshgrid 这个函数,这个函数是用来快速生成网格点坐标矩阵的。
先看一段坐标点的代码:
importnumpyasnpimportmatplotlib.pyplotaspltx=np.array([[0,1,2],[0,1,2]])y=np.array([[0,0,0],[1,1,1]])plt.plot(x,y,color='green',marker='.',linestyle='')plt.grid(True)plt.show()
上面的X是一个二维数组,表示的是坐标点的X轴的位置。
Y也是一个二维数组,表示的是坐标点的Y轴的位置。
看下画出来的图像:
上面画出的就是使用X,Y矩阵组合出来的6个坐标点。
上面的X,Y的二维数组是我们手动输入的,如果坐标上面有大量点的话,手动输入肯定是不可取的。
于是有了np.meshgrid这个函数。这个函数可以接受两个一维的数组,然后生成二维的X,Y坐标矩阵。
上面的例子可以改写为:
x=np.array([0,1,2])y=np.array([0,1])xs,ys=np.meshgrid(x,y)xs,ys(array([[0,1,2],[0,1,2]]),array([[0,0,0],[1,1,1]]))
可以看到生成的xs和ys和手动输入是一样的。
有了网格坐标之后,我们就可以基于网格值来计算一些数据,比如:sqrt(x^2+y^2)sqrt(x2+y2),我们不用变量矩阵中所有的数据,只需要直接使用数组进行运算即可:
np.sqrt(xs**2+ys**2)
结果:
array([[0.,1.,2.],[1.,1.41421356,2.23606798]])
因为xs 和ys本身就是2 * 3 的矩阵,所以结果也是 2 * 3 的矩阵。
条件逻辑表达式
我们可以在构建数组的时候使用条件逻辑表达式:
xarr=np.array([1.1,1.2,1.3,1.4,1.5])yarr=np.array([2.1,2.2,2.3,2.4,2.5])cond=np.array([True,False,True,True,False])
result=[(xifcelsey)forx,y,cinzip(xarr,yarr,cond)]result
[1.1,2.2,1.3,1.4,2.5]
更简单一点,我们可以使用where语句:
result=np.where(cond,xarr,yarr)result
array([1.1,2.2,1.3,1.4,2.5])
我们还可以根据where的条件来修改数组的值:
arr=np.random.randn(4,4)arrarray([[0.7953,0.1181,-0.7485,0.585],[0.1527,-1.5657,-0.5625,-0.0327],[-0.929,-0.4826,-0.0363,1.0954],[0.9809,-0.5895,1.5817,-0.5287]])
上面我们构建了一个4 * 4 的数组。
我们可以在where中进行数据的比较,如果大于0,将数据修改成2 ,如果小于0,则将数据修该成-2 :
np.where(arr>0,2,-2)array([[2,2,-2,2],[2,-2,-2,-2],[-2,-2,-2,2],[2,-2,2,-2]])
统计方法
numpy提供了mean,sum等统计方法:
arr=np.random.randn(5,4)arrarr.mean()np.mean(arr)arr.sum()
还可以按维度来统计:
arr.mean(axis=1)arr.sum(axis=0)
cumsum进行累加计算:
arr=np.array([0,1,2,3,4,5,6,7])arr.cumsum()
array([0,1,3,6,10,15,21,28])
cumprod进行累乘计算:
arr=np.array([[0,1,2],[3,4,5],[6,7,8]])arrarr.cumsum(axis=0)
array([[0,1,2],[3,5,7],[9,12,15]])
arr.cumprod(axis=1)
array([[0,0,0],[3,12,60],[6,42,336]])
布尔数组
any用于测试数组中是否存在一个或多个True,而all则检查数组中所有值是否都是True:
bools=np.array([False,False,True,False])bools.any()True
bools.all()False
排序
使用sort可以对数组进行排序,除了普通排序还可以按照特定的轴来进行排序:
arr=np.random.randn(6)arr.sort()
array([-2.5579,-1.2943,-0.2972,-0.1516,0.0765,0.1608])
arr=np.random.randn(5,3)arrarr.sort(1)arr
array([[-0.8852,-0.4936,-0.1875],[-0.3507,-0.1154,0.0447],[-1.1512,-0.8978,0.8909],[-2.6123,-0.8671,1.1413],[-0.437,0.3475,0.3836]])
sort(1)指的是按照第二个轴来排序。
文件
可以方便的将数组写入到文件和从文件中读出:
arr=np.arange(10)np.save('some_array',arr)
会将数组存放到some_array.npy文件中,我们可以这样读取:
np.load('some_array.npy')
还可以以无压缩的方式存入多个数组:
np.savez('array_archive.npz',a=arr,b=arr)
读取:
arch=np.load('array_archive.npz')arch['b']
如果想要压缩,可以这样:
np.savez_compressed('arrays_compressed.npz',a=arr,b=arr)
线性代数
如果我们使用普通的算数符来进行矩阵的运算的话,只是简单的数组中对应的元素的算数运算。如果我们想做矩阵之间的乘法的时候,可以使用dot。
一个 2 * 3 的矩阵 dot 一个3*2 的矩阵,最终得到一个2 * 2 的矩阵。
x=np.array([[1.,2.,3.],[4.,5.,6.]])y=np.array([[6.,23.],[-1,7],[8,9]])xyx.dot(y)
array([[28.,64.],[67.,181.]])
或者可以这样写:
np.dot(x,y)
array([[28.,64.],[67.,181.]])
还可以使用 @ 符号:
x@y
array([[28.,64.],[67.,181.]])
我们看下都有哪些运算:
乘积运算:
分解运算:
本征值和本征向量:
基准值:
求解和反转:
随机数
很多时候我们都需要生成随机数,在NumPy中随机数的生成非常简单:
samples=np.random.normal(size=(4,4))samples
array([[-2.0016,-0.3718,1.669,-0.4386],[-0.5397,0.477,3.2489,-1.0212],[-0.5771,0.1241,0.3026,0.5238],[0.0009,1.3438,-0.7135,-0.8312]])
上面用normal来得到一个标准正态分布的4×4样本数组。
使用np.random要比使用Python自带的随机数生成器要快得多。
np.random可以指定生成随机数的种子:
np.random.seed(1234)
numpy.random的数据生成函数使用了全局的随机种子。要避免 全局状态,你可以使用numpy.random.RandomState,创建一个 与其它隔离的随机数生成器:
rng=np.random.RandomState(1234)rng.randn(10)
</div> <div class="zixun-tj-product adv-bottom"></div> </div> </div> <div class="prve-next-news">
numpy中的函数怎么用的详细内容,希望对您有所帮助,信息来源于网络。