数组的裁剪
# 将调用数组中小于和大于下限和上限的元素替换为下限和上限,返回裁剪后的数组,调 # 用数组保持不变。 ndarray.clip(min=下限, max=上限)
数组的压缩
# 返回由调用数组中满足条件的元素组成的新数组。 ndarray.compress(条件)
数组的累乘
# 返回调用数组中所有元素的乘积——累乘。 ndarray.prod() # 返回调用数组中所有元素执行累乘的过程数组。 ndarray.cumprod()
import numpy as np a = np.array([10, 20, 30, 40, 50]) print(a)#[10 20 30 40 50] #数组的裁剪 b = a.clip(min=15, max=45) print(b)#[15 20 30 40 45] #数组的压缩 c = a.compress((15 <= a) & (a <= 45)) print(c)#[20 30 40]
np.add(a, a) # 两数组相加 np.add.reduce(a) # a数组元素累加和 np.add.accumulate(a) # 累加和过程 np.add.outer([10, 20, 30], a) # 外和 # 返回调用数组中所有元素的乘积——累乘。 ndarray.prod() # 返回调用数组中所有元素执行累乘的过程数组。 ndarray.cumprod() np.outer() #外积
案例
#加发,乘法通用函数 import numpy as np a = np.arange(1,7) print(a)#[1 2 3 4 5 6] #两数组相加 print(np.add(a,a))#[ 2 4 6 8 10 12] #数组元素累加和 print(np.add.reduce(a))#21 #累加和过程 print(np.add.accumulate(a))#[ 1 3 6 10 15 21] #外和 print(np.add.outer([10,20,30],a)) """ [[11 12 13 14 15 16] [21 22 23 24 25 26] [31 32 33 34 35 36]] """ #累乘 print(a.prod())#720 #累乘的过程 print(a.cumprod())#[ 1 2 6 24 120 720] #外乘 print(np.outer([10,20,30],a)) """ [[ 10 20 30 40 50 60] [ 20 40 60 80 100 120] [ 30 60 90 120 150 180]] """
np.true_divide(a, b) # a 真除 b (对应位置相除) np.divide(a, b) # a 真除 b np.floor_divide(a, b) # a 地板除 b (真除的结果向下取整) np.ceil(a / b) # a 天花板除 b (真除的结果向上取整) np.trunc(a / b) # a 截断除 b (真除的结果直接干掉小数部分)
案例:
import numpy as np a = np.array([20, 20, -20, -20]) b = np.array([3, -3, 6, -6]) # 真除 c = np.true_divide(a, b) c = np.divide(a, b) c = a / b print('array:',c) #array: [ 6.66666667 -6.66666667 -3.33333333 3.33333333] # 对ndarray做floor操作 d = np.floor(a / b) print('floor_divide:',d) #floor_divide: [ 6. -7. -4. 3.] # 对ndarray做ceil操作 e = np.ceil(a / b) print('ceil ndarray:',e) #ceil ndarray: [ 7. -6. -3. 4.] # 对ndarray做trunc操作 f = np.trunc(a / b) print('trunc ndarray:',f) #trunc ndarray: [ 6. -6. -3. 3.] # 对ndarray做around操作 g = np.around(a / b) print('around ndarray:',g) #around ndarray: [ 7. -7. -3. 3.]
曲线叠加的越多,越接近方波。所以可以设计一个函数,接收曲线的数量n作为参数,返回一个矢量函数,该函数可以接收x坐标数组,返回n个正弦波叠加得到的y坐标数组。
x = np.linspace(-2*np.pi, 2*np.pi, 1000) y = np.zeros(1000) n = 1000 for i in range(1, n+1): y += 4 / ((2 * i - 1) * np.pi) * np.sin((2 * i - 1) * x) mp.plot(x, y, label='n=1000') mp.legend() mp.show()
""" 合成方波 """ import numpy as np import matplotlib.pyplot as mp x = np.linspace(-2*np.pi, 2*np.pi, 1000) y1 = 4*np.pi * np.sin(x) y2 = 4*np.pi/3 * np.sin(3*x) y3 = 4*np.pi/5 * np.sin(5*x) y = np.zeros(x.size) for i in range(1, 1000): y += 4*np.pi/(2*i-1) * np.sin((2*i-1)*x) # mp.plot(x, y1, label=r'$sin(x)$') # mp.plot(x, y2, label=r'$sin(3x)$') # mp.plot(x, y3, label=r'$sin(5x)$') mp.plot(x, y, label=r'$y$') mp.legend() mp.show()
位运算通用函数
位异或:
c = a ^ b c = a.__xor__(b) c = np.bitwise_xor(a, b)
按位异或操作可以很方便的判断两个数据是否同号。
0 ^ 0 = 0
0 ^ 1 = 1
1 ^ 0 = 1
1 ^ 1 = 0
a = np.array([0, -1, 2, -3, 4, -5]) b = np.array([0, 1, 2, 3, 4, 5]) print(a, b) c = a ^ b # c = a.__xor__(b) # c = np.bitwise_xor(a, b) print(np.where(c < 0)[0])
#[1 3 5]
位与:
e = a & b e = a.__and__(b) e = np.bitwise_and(a, b)
0 & 0 = 0 0 & 1 = 0 1 & 0 = 0 1 & 1 = 1
利用位与运算计算某个数字是否是2的幂
# 1 2^0 00001 0 00000 # 2 2^1 00010 1 00001 # 4 2^2 00100 3 00011 # 8 2^3 01000 7 00111 # 16 2^4 10000 15 01111 # ... d = np.arange(1, 21) print(d) e = d & (d - 1) e = d.__and__(d - 1) e = np.bitwise_and(d, d - 1) print(e)
位或:
| __or__ bitwise_or
0 | 0 = 0
0 | 1 = 1
1 | 0 = 1
1 | 1 = 1
位反:
~ __not__ bitwise_not
移位:
<< __lshift__ left_shift >> __rshift__ right_shift
左移1位相当于乘2,右移1位相当于除2。
d = np.arange(1, 21) print(d) # f = d << 1 # f = d.__lshift__(1) f = np.left_shift(d, 1) print(f)