• numpy 数组运算


    对数组做基本的算术运算,将会对整个数组的所有元组进行逐一运算,并将运算结果保存在一个新的数组内,而不会破坏原始的数组。

    >>> a = np.array( [20,30,40,50] )
    >>> b = np.arange( 4 )
    >>> b
    array([0, 1, 2, 3])
    >>> c = a-b
    >>> c
    array([20, 29, 38, 47])
    >>> b**2
    array([0, 1, 4, 9])
    >>> 10*np.sin(a)
    array([ 9.12945251, -9.88031624,  7.4511316 , -2.62374854])
    >>> a<35
    array([ True, True, False, False])

    考虑一个问题,计算b的平方很好理解,各个元素自己算平方就好了。那么对于a-b这种,如果a和b的形状不一样呢?比如a长度为5,b长度为6:

    >>> a = np.arange(5)
    >>> b = np.arange(6)
    >>> a,b
    (array([0, 1, 2, 3, 4]), array([0, 1, 2, 3, 4, 5]))
    >>> c=a-b
    ValueError                                Traceback (most recent call last)
    <ipython-input-27-508c408ffd98> in <module>()
    ----> 1 c=a-b
    
    ValueError: operands could not be broadcast together with shapes (5,) (6,) 

    结果是弹出异常!不能这么操作!

    另外,不同于数学中的矩阵乘法,使用星号做乘号时,numpy对数组的每个元素,一一对应的做乘法。如果要进行矩阵的乘法怎么办?使用@或者dot函数!

    >>> A = np.array( [[1,1],
    ...             [0,1]] )
    >>> B = np.array( [[2,0],
    ...             [3,4]] )
    >>> A * B                       # 元素间相乘
    array([[2, 0],
           [0, 4]])
    >>> A @ B                       #矩阵乘法
    array([[5, 4],
           [3, 4]])
    >>> A.dot(B)                    # 矩阵乘法
    array([[5, 4],
           [3, 4]])

    对于+=和 *= 这一类操作符,会修改原始的数组,而不是新建一个:

    >>> a = np.ones((2,3), dtype=int)
    >>> b = np.random.random((2,3))
    >>> a *= 3
    >>> a
    array([[3, 3, 3],
           [3, 3, 3]])
    >>> b += a
    >>> b
    array([[ 3.417022  ,  3.72032449,  3.00011437],
           [ 3.30233257,  3.14675589,  3.09233859]])
    >>> a += b                  # b不会自动地转换为整数类型,所以弹出异常
    Traceback (most recent call last):
      ...
    TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'

    当对两个不同类型的数组进行运算操作时,将根据精度,选择最复杂的作为结果的类型:

    >>> a = np.ones(3, dtype=np.int32)
    >>> b = np.linspace(0,pi,3)
    >>> b.dtype.name
    'float64'
    >>> c = a+b
    >>> c
    array([ 1.        ,  2.57079633,  4.14159265])
    >>> c.dtype.name
    'float64'
    >>> d = np.exp(c*1j)
    >>> d
    array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
           -0.54030231-0.84147098j])
    >>> d.dtype.name
    'complex128'

    许多一元操作(例如计算数组中所有元素的总和)都作为ndarray类的方法实现:

    >>> a = np.random.random((2,3))
    >>> a
    array([[ 0.18626021,  0.34556073,  0.39676747],
           [ 0.53881673,  0.41919451,  0.6852195 ]])
    >>> a.sum()  # 计算所有元素的总和
    2.5718191614547998
    >>> a.min() #找出最小值
    0.1862602113776709
    >>> a.max()  #找出最大值
    0.6852195003967595v

    默认情况下,这些操作都会应用于整个数组,就好像它是一个数字列表,而不管其形状如何。但是,通过指定轴参数,可以沿数组的指定轴应用操作:

    >>> b = np.arange(12).reshape(3,4)
    >>> b
    array([[ 0,  1,  2,  3],
           [ 4,  5,  6,  7],
           [ 8,  9, 10, 11]])
    >>>
    >>> b.sum(axis=0)                            # 对每一列进行求和
    array([12, 15, 18, 21])
    >>>
    >>> b.min(axis=1)                            # 找出每一行的最小值
    array([0, 4, 8])
    >>>
    >>> b.cumsum(axis=1)                         # 对每行进行循环累加
    array([[ 0,  1,  3,  6],
           [ 4,  9, 15, 22],
           [ 8, 17, 27, 38]])

    可以使用sort方法对数组或数组某一维度进行就地排序,这会修改数组本身。

    >>> a = np.array([[1,6,2],[6,1,3],[1,5,2]])
    >>> b=a
    >>> b.sort()
    >>> b
    array([[1, 2, 6],
           [1, 3, 6],
           [1, 2, 5]])
    >>> a
    array([[1, 2, 6],
           [1, 3, 6],
           [1, 2, 5]])
    >>> a = np.array([[1,6,2],[6,1,3],[1,5,2]])
    >>> a
    array([[1, 6, 2],
           [6, 1, 3],
           [1, 5, 2]])
    >>> a.sort(axis=1)
    >>> a
    array([[1, 2, 6],
           [1, 3, 6],
           [1, 2, 5]])
    >>> a = np.array([[1,6,2],[6,1,3],[1,5,2]])
    >>> a.sort(axis=0)
    >>> a
    array([[1, 1, 2],
           [1, 5, 2],
           [6, 6, 3]])
  • 相关阅读:
    GitHub挂载网站
    JS中用execCommand("SaveAs")保存页面兼容性问题解决方案
    使用List,Dictionary加载数据库中的数据
    模拟在table中移动鼠标,高亮显示鼠标所在行
    ASP.NET AutoCompleteType 属性,这么多年的IT人你发现了吗?
    生成流水号
    在数据库中查找字符串(不知道表名的情况下 查找字符串)
    半角与全角之间的转换
    C#代码规范精简表
    有关Excel导出
  • 原文地址:https://www.cnblogs.com/lavender1221/p/12610643.html
Copyright © 2020-2023  润新知