NumPy ——（二）ufunc函数

ufunc是universal function的缩写，它是一种能对数组的每个元素进行运算的函数。

NumPy提供了许多ufunc函数，本篇博文主要介绍一些常见的ufunc

一、四则运算

表达式	对应的ufunc函数
y = x1 + x2	add(x1, x2[,y])
y = x1 - x2	subtract(x1, x2[,y])
y = x1 * x2	multiply(x1, x2[,y])
y = x1 / x2	divide(x1, x2[,y])，如果两个数组的元素为整数，则用整数除法
y = x1 / x2	true_divide(x1, x2[,y])，总是返回精确的商
y = x1 / x2	floor_divide(x1, x2[,y])，总是对返回值取整
y = -x	negative(x1 [,y])
y = x1**x2	power(x1, x2[,y])
y = x1 % x2	remainder(x1, x2[,y])，mod(x1, x2[,y])

# add
a = np.arange(0, 4)
b = np.arange(1, 5)
print(np.add(a, b))

# multiply
a = np.arange(0, 4)
b = np.arange(1, 5)
print(np.multiply(a, b))

---

二、比较运算和布尔运算

表达式	对应的ufunc函数
y = x1 == x2	equal(x1，x2[，y]
y = x1 != x2	not_equal(x1，x2[，y])
y = x1 < x2	less(x1，x2[，y])
y = x1 <= x2	less_equal(x1，x2[，y])
y = x1 > x2	greater(x1，x2[，y])
y = x1 >= x2	greater_equal(x1，x2[，y])

np.array([1, 2, 3]) < np.array([3, 2, 1])

由于Python中的布尔运算使用and、or和not关键字，它们无法被重载，因此数组的布尔运算只能通过相应地ufunc函数进行。

可以通过用tab补全logical_查找

a = np.arange(5)
b = np.arange(4, -1, -1)
print(a == b)
print(a > b)
print(np.logical_or(a == b, a > b))  # 和 a>=b 相同

以bitwise_开头的是位运算函数，包括bitwise_and、bitwise_not、bitwise_or和bitwise_xor等。也可以使用&、~、|和^等操作符进行计算

a = np.arange(5)
b = np.arange(4, -1, -1)
(a == b) | (a > b)

a = np.arange(5)
b = np.arange(4, -1, -1)
~ np.arange(5)

---

三、广播

当使用ufunc函数对两个数组进行计算时，ufunc函数会对这两个数组的对应元素进行计算，因此它要求这两个数组的形状相同。如果形状不相同，会进行如下广播处理：

（1）让所有输入数组都向其中维数最多的数组看齐，shape属性中不足的部分都通过在前面加1补齐。
（2）输出数组的shape属性是输入数组的shape属性的各个轴上的最大值
（3）如果输入数组的某个轴的长度为1或与输出数组的对应轴的长度相同，这个数组就能用来计算，否则出错
（4）当输入数组的某个轴的长度为1时，沿着此轴运算时都用此轴上的第一组值。

如我们对两个维度不同的数组进行相加

a = np.arange(0, 60, 10).reshape(-1, 1)
print(a)
print('')
b = np.arange(0, 5)
print(b)
print('')
c = a + b
print(c)

再分别看下数组a、b和c的shape

print(a.shape)
print('-'*20)
print(b.shape)
print('-'*20)
print(c.shape)

理论上来说两个维度不同的数组，是不能直接相加的。但是通过广播完成了加法运算：
首先根据（1），b的shape向a看齐，在b的shape属性前加1，即b的shape补齐为(1,5)
此时两个数组的shape已经分别为(6, 1)和(1, 5)
然后根据（2），b的0轴长度小于a的0轴，为了能相加，b的第0轴的长度扩展为6，即

其次由于a的第1轴长度为1，而b的第1轴长度为5，将a的第1轴的长度扩展为5，即

最后相加即为所得。

---

四、ufunc的方法

ufunc函数对象本身还有一些方法函数

• reduce()
  reduce()方法和Python内置reduce()函数类似

r1 = np.add.reduce([1, 2, 3])  # 1 + 2 + 3
r2 = np.add.reduce([[1, 2, 3], [4, 5, 6]], axis=1)  # (1+2+3),(4+5+6)
print(r1)
print('-'*20)
print(r2)

• accumulate()
  accumulate()方法和reduce()方法类似，只是它返回的数组和输入数组的形状相同

a1 = np.add.accumulate([1, 2, 3])
a2 = np.add.accumulate([[1, 2, 3], [4, 5, 6]], axis=1)
print(a1)
print('-'*20)
print(a2)

• reduceat()
  reduceat()方法计算多组reduce()的结果，通过indices参数指定一系列的起始和终止位置

a = np.array([1, 2, 3, 4])
result = np.add.reduceat(a, indices=[0, 1, 0, 2, 0, 3, 0])
print(result)

其具体计算过程为：

1：a[0] = 1
2：a[1] = 2
3：a[0] + a[1] = 3
3：a[2] = 3
6：a[0] + a[1] + a[2] = 6
4：a[3] = 4
10：a[0] + a[1] + a[2] + a[3] = 10

lz个人理解为：每次到indices值为0的时候，将前面索引非0的值进行求和

• outer()
  outer()看了就知道是什么意思

a = np.multiply.outer([1, 2, 3, 4, 5], [2, 3, 4])
print(a)