深度学习中用到的numpy命令数组运算部分命令汇总

numpy数组中数字运算 命令汇总

2.1 np.square()——对数组中每一个元素平方，返回一个新数组

格式：np.square(a)

import numpy as np

a = np.arange(1, 7).reshape(2, 3)
s = np.square(a)	#对a中的每一个元素平方，形成新的数组返回给s
print("a=\n", a, "\nb=\n", s)

结果：

a=	s=
[[1 2 3] [4 5 6]]	[[ 1 4 9] [16 25 36]]

---

2.2 np.sqrt()——对数组中每一个元素开方，返回一个新数组

格式：np.sqrt(a)

import numpy as np

a = np.arange(1, 7).reshape(2, 3)
s = np.square(a)
print("a=\n", a, "\nb=\n", s)
ss = np.sqrt(s)	#对数组s中的每一个元素开方，形成新的数组返回给ss
print("ss=\n", ss)

结果：

a=	b=	ss=
[[1 2 3] [4 5 6]]	[[ 1 4 9] [16 25 36]]	[[1. 2. 3.] [4. 5. 6.]]

---

2.3 np.round()——对数组中每一个元素按照位数要求四舍五入，并返回一个新数组

格式：np.round(a,decimals=0)

1. a:需要处理的数组
2. decimals值：需要保留的位数，默认值为0，即四舍五入到个位，取正整数时保留到小数点后，取负整数时，按照10的次方四舍五入
3. 当整数部分以0结束时，round函数一律是向下取整

import numpy as np

a_temp = np.array([[50.500, 10.501],
                   [-10.500, - 72.072],
                   [100.50, - 100.501]])
j_round = np.round(a_temp)	#四舍五入取整，注意第一行两个数字的取整变化
print("j_round=\n", j_round)

h_round = np.round(a_temp, decimals=2)	#四舍五入小数点后2位
print("h_round=\n", h_round)

k_round = np.round(a_temp, decimals=-2)	#四舍五入小数点前2位
print("k_round=\n", k_round)

结果：

（decimals取默认值）j_round=	（decimals=2）h_round=	（decimals=-2）j_round=
[[ 50. 11.] [ -10. -72.] [ 100. -101.]]	[[ 50.5 10.5 ] [ -10.5 -72.07] [ 100.5 -100.5 ]]	[[ 100. 0.] [ -0. -100.] [ 100. -100.]]

---

2.4 np.exp()——对数组a中的每一个元素x取e的x次方,并返回一个新的数组

格式：np.exp(a)

• a为需要计算的数组

import numpy as np

a = np.arange(0, 6).reshape(2, 3)
a_exp = np.exp(a)
print("a=\n", a, "\na_exp=\n", a_exp)

a=	a_exp=
[[0 1 2] [3 4 5]]	[[ 1. 2.71828183 7.3890561 ] [ 20.08553692 54.59815003 148.4131591 ]]

a=	运算过程	a_exp=
[[0 1 2] [3 4 5]]	[[e0 e1 e2 ] [e3 e4 e5]]	[[ 1. 2.71828183 7.3890561 ] [ 20.08553692 54.59815003 148.4131591 ]]

---

2.5 np.log()——对数组a中的每一个元素x取自然对数lnx,并返回一个新的数组

格式：np.log(a)

• a为需要计算的数组

import numpy as np

a = np.arange(0, 6).reshape(2, 3)
a_exp = np.exp(a)

print("a=\n", a, "\na_exp=\n", a_exp)

l_log = np.log(a_exp)
print("l_log=\n", l_log)

结果：

a=	a_exp=	运算过程	l_log=
[[0 1 2] [3 4 5]]	[[ 1. 2.71828183 7.3890561 ] [ 20.08553692 54.59815003 148.4131591 ]]	[[ln1 ln2.7 ln7.38] [ln20.08 ln54.58 ln 148.41]]	[[0. 1. 2.] [3. 4. 5.]]

---

2.6 np.sum()——对数组按要求求和，返回一个数组或一个数值

格式：np.sum(a,axis=None,dtype=None,out=None,keepdims=False)

1. a：需要处理的数组；
2. axis：对哪个维度的数据求和，默认情况下axis=None(不用写出来)表示对整个数组所有元素求和，axis=0时对每一列上的元素求和，axis=1时对每一行上的元素求和；
3. Falsedtype：指定返回值的数据类型
4. keepdims：keep dimensions的缩写，如果这个参数为True，被删去的维度在结果矩阵中就被设置为一，结果为数组类型，默认值为keepdims=False，可以不写，结果按照计算过程删去一个维度

#当axis=None时：
import numpy as np

a = np.arange(0, 6).reshape(2, 3)
print("a=\n", a)
a_sum_None = np.sum(a)	#keepdims为默认值时查看结果,数组a中所有元素相加结果输出
print("a_sum_None=", a_sum_None)
print("a_sum_None.shape =", a_sum_None.shape, "\na_sum_Nome.type =", type(a_sum_None))

a_sum_None_True = np.sum(a, keepdims=True)	#keepdims=True 时查看结果变化
print("a_sum_None_True=", a_sum_None_True)
print("a_sum_None_True.shape =", a_sum_None_True.shape, "\na_sum_Nome_True.type =", type(a_sum_None_True))

axis=None时的结果：

a=	运算过程	a_sum_None=	a_sum_None_True
[[0 1 2] [3 4 5]]	0+1+2+3+4+5	15	[[15]]
a.shape= (2, 3) a.type= <class ‘numpy.ndarray’>		a_sum_None.shape = () a_sum_Nome.type = <class ‘numpy.int32’>	a_sum_None_True.shape = (1, 1) a_sum_Nome_True.type = <class ‘numpy.ndarray’>

---

#当axis=0时：
import numpy as np

a = np.arange(0, 6).reshape(2, 3)
print