数组的四则运算
在numpy模块中,实现四则运算的计算既可以使用运算符号,也可以使用函数,具体如下例所示:
#加法运算
import numpy as np
math = np.array([98,83,86,92,67,82])
english = np.array([68,74,66,82,75,89])
chinese = np.array([92,83,76,85,87,77])
tot_symbol = math+english+chinese
tot_fun = np.add(np.add(math,english),chinese) #add 加法
print('符号加法:
',tot_symbol)
print('函数加法:
',tot_fun)
#除法
height = np.array([165,177,158,169,173])
weight = np.array([62,73,59,72,80])
BMI_symbol = weight/(height/100)**2
BMI_fun = np.divide(weight,np.divide(height,100)**2) #divide 除法
print('符号除法:
',BMI_symbol)
print('函数除法:
',BMI_fun)
out:
符号加法: [258 240 228 259 229 248] 函数加法: [258 240 228 259 229 248] 符号除法: [22.77318641 23.30109483 23.63403301 25.20920136 26.7299275 ] 函数除法: [22.77318641 23.30109483 23.63403301 25.20920136 26.7299275 ]
四则运算中的符号分别是“+-*/”,对应的numpy模块函数分别是np.add np.subtract,np.multiply,np.divide.需要注意的是，函数只能接受两个对象的运算，如果需要多个对象的运算，就得使用嵌套方法。如上所示的符号假发和符号的除法。不管是符号方法还是函数方法，都必须保证操作的数组具有相同的形状，除了数组与标量之间的运算（如除法中的身高与100的商）。另外，还有三个数学运算符，分别是余数，整数和指数：
import numpy as np
arr7 = np.array([[1,2,10],[10,8,3],[7,6,5]])
arr8 = np.array([[2,2,2],[3,3,4],[4,4,4]])
print('数组arr7:
',arr7)
print('数组arr8:
',arr8)
print('求余计算:
',arr7 % arr8)
print('整除:
',arr7 // arr8) #这里面要注意的就是 整除的时候 是 “//”而不是 "/"
print('计算指数:
',arr7 ** arr8)
out:
数组arr7: [[ 1 2 10] [10 8 3] [ 7 6 5]] 数组arr8: [[2 2 2] [3 3 4] [4 4 4]] 求余计算: [[1 0 0] [1 2 3] [3 2 1]] 整除: [[0 1 5] [3 2 0] [1 1 1]] 计算指数: [[ 1 4 100] [1000 512 81] [2401 1296 625]]
另外还可以使用np.fmod,np.modf和np.power，但是整除的函数应用会稍微复杂一点，需要写成np.modf(arr7/arr8)[1],因为modf可以返回
数值的小数部分和整数部分，而整数部分就是要取的整除值。
比较运算
处理数组的元素之间可以实现上面提到的数学运算，还可以做元素的比较运算。关于比较运算符如下：
| 符号 | 函数 | 含义 |
| > | np.greater(arr1,arr2) | 判断arr1的元素是否大于arr2的元素 |
| >= | np.greater_equal(arr1,arr2) | 判断arr1的元素是否大于等于arr2的元素 |
| < | np.less(arr1,arr2) | 判断arr1的元素是否小于arr2的元素 |
| <= | np.less_equal(arr1,arr2) | 判断arr1的元素是否小于等于arr2的元素 |
| == | np.equal(arr1,arr2) | 判断arr1的元素是否等于arr2的元素 |
| != | np.not_equal(arr1,arr2) | 判断arr1的元素是否小等于arr2的元素 |
运用比较运算符可以返回bool类型的值，即True和False。有两种情况会普遍使用到比较运算符，一个是从数组中查询满足条件的元素，另一个是根据判断的结果执行不同的操作。例如：
import numpy as np
arr7 = np.array([[1,2,10],[10,8,3],[7,6,5]])
arr8 = np.array([[2,2,2],[3,3,2],[4,4,4]])
print(arr7)
print('从arr7中取出所有大于arr8的元素',arr7[arr7>arr8]) #取出的是所有arr7中对应的元素大于arr8中对应位置的元素
arr9 = np.array([3,10,23,7,15,9,17,22,4,8,16])
print('取出arr9中所有大于10的元素',arr9[arr9>10]) #得到的是一个一维数组 相当于每个数组中的元素都会跟10来进行比较
print(np.greater(arr7,arr8)) #输出的是原数组结构的布尔型元素的数组
out:
[[ 1 2 10] [10 8 3] [ 7 6 5]] 从arr7中取出所有大于arr8的元素 [10 10 8 3 7 6 5] 取出arr9中所有大于10的元素 [23 15 17 22 16] [[False False True] [ True True True] [ True True True]]
广播运算
上面介绍的是相同形状的数组，当数组形状不同时，也能够进行数学运算的功能成为数组的广播。数组的广播是有规则的，如果不满足这些规则就会出错；规则如下：
a.各输入数组的维度可以不相等，但必须确保从右到左维度值相等。
b.如果对应维度值不相等，就必须保证其中一个为1.
c.各输入数组都向其shape最长的数组看齐，shape中不足的部分都通过在前面加1补齐
下面通过实例来加强理解
import numpy as np
arr10 = np.arange(12).reshape(3,4) #arange（12）表示生成从0-11总共12个数组元素组成的数组,然后通过reshape编 #成3行4列的二维数组
arr11 = np.arange(101,113).reshape(3,4) #同上面arange(101,113)就是生成从 101到112的元素的数组
print('3x4的二维矩阵运算：
',arr10 + arr11)
arr12 = np.arange(60).reshape(5,4,3) #这是个三维数组，我们可以理解为一个长5宽为4高为3的魔方
arr10 = np.arange(12).reshape(4,3) #4行3列的二维数组
print('维数不一致，但末尾的维度值一致:
',arr12 + arr10) #我们可以这么看，reshape(5,4,3)其实里面相当于包含了 5个 #reshape（4，3）的二维数组，末尾两个维度相同，可以进行运算
arr12 = np.arange(60).reshape(5,4,3)
arr13 = np.arange(4).reshape(4,1) #这个里面末尾的维度虽然一个是‘’4，3‘’，一个是“4，1”因为后面的数组末尾维度 #中其中一个是‘’1‘’，所以是可以进行运算的
print('维数不一致，维数值也不一致，但维度值至少一个为1：
',arr12+arr13) #就是在5个(4行3列)的数组中，每行的各个元素对 #应加0，1，2，3
arr14 = np.array([5,15,25])
print('arr14的维度自动补齐为(1,3):
',arr10 + arr14) #每行对应位置元素分别加上 5，15，25
out：
3x4的二维矩阵运算： [[101 103 105 107] [109 111 113 115] [117 119 121 123]] 维数不一致，但末尾的维度值一致: [[[ 0 2 4] [ 6 8 10] [12 14 16] [18 20 22]] [[12 14 16] [18 20 22] [24 26 28] [30 32 34]] [[24 26 28] [30 32 34] [36 38 40] [42 44 46]] [[36 38 40] [42 44 46] [48 50 52] [54 56 58]] [[48 50 52] [54 56 58] [60 62 64] [66 68 70]]] 维数不一致，维数值也不一致，但维度值至少一个为1： [[[ 0 1 2] [ 4 5 6] [ 8 9 10] [12 13 14]] [[12 13 14] [16 17 18] [20 21 22] [24 25 26]] [[24 25 26] [28 29 30] [32 33 34] [36 37 38]] [[36 37 38] [40 41 42] [44 45 46] [48 49 50]] [[48 49 50] [52 53 54] [56 57 58] [60 61 62]]] arr14的维度自动补齐为(1,3): [[ 5 16 27] [ 8 19 30] [11 22 33] [14 25 36]]
以上的操作，根据备注去理解，平时多维数组方面的应用比较少，能理解这些规则是怎么来的就可以了，需要用到的时候再深究。