不允许你不知道的NumPy广播机制与其他常用数学操作

1. ndarray广播机制的两条规则

• 规则一：为缺失的维度补维度

• 规则二：缺失的元素用已有值填充

# 导包import numpy as np​# 例1m = np.ones((2,3),dtype=np.int8)a = np.arange(3)display(m,a)# 执行结果array([[1, 1, 1],       [1, 1, 1]], dtype=int8)array([0, 1, 2])​"""对a数组缺失的维度进行补充，使用已有的值进行填充，最后进行相加[[0, 1, 2], [0, 1, 2]]"""m + a# 执行结果array([[1, 2, 3],       [1, 2, 3]])       # 例2a = np.arange(3).reshape((3,1))b = np.arange(3)display(a,b)# 执行结果array([[0],       [1],       [2]])array([0, 1, 2])​"""自动扩充填补：[[0,0,0], [1,1,1], [2,2,2]] [[0,1,2], [0,1,2], [0,1,2]]"""a+b# 执行结果array([[0, 1, 2],       [1, 2, 3],       [2, 3, 4]])       # 习题a = np.ones((4,1),dtype=np.int8)b = np.arange(4)display(a,b)# 执行结果array([[1],       [1],       [1],       [1]], dtype=int8)array([0, 1, 2, 3])​a + b# 执行结果array([[1, 2, 3, 4],       [1, 2, 3, 4],       [1, 2, 3, 4],       [1, 2, 3, 4]])​

2.其他常见数学操作

• 定义数组

n = np.array([1,4,8,9,16,25,64])n# 执行结果array([ 1,  4,  8,  9, 16, 25, 64])

• abs

# 绝对值np.abs(n)# 执行结果array([ 1,  4,  8,  9, 16, 25, 64])

• sqrt

# 平方根np.sqrt(n)# n ** 0.5# 执行结果array([1.        , 2.        , 2.82842712, 3.        , 4.        ,       5.        , 8.        ])

• square

# 平方np.square(n)# n ** 2# 执行结果array([   1,   16,   64,   81,  256,  625, 4096])

• exp

# 指数enp.exp(n)# 执行结果array([2.71828183e+00, 5.45981500e+01, 2.98095799e+03, 8.10308393e+03,       8.88611052e+06, 7.20048993e+10, 6.23514908e+27])

• log

# 自然对数：以e为底的对数，ln3np.log(n)# 执行结果array([0.        , 1.38629436, 2.07944154, 2.19722458, 2.77258872,       3.21887582, 4.15888308])       np.log(np.e)# 执行结果1.0​np.e# 执行结果2.718281828459045​np.log(1)# 执行结果0.0​# 2为底的对数np.log2(n)# 执行结果array([0.        , 2.        , 3.        , 3.169925  , 4.        ,       4.64385619, 6.        ])       # 10为底的对数，常用对数np.log10(n)# 执行结果array([0.        , 0.60205999, 0.90308999, 0.95424251, 1.20411998,       1.39794001, 1.80617997])

• sin

# 正弦np.sin(n)# 执行结果array([ 0.84147098, -0.7568025 ,  0.98935825,  0.41211849, -0.28790332,       -0.13235175,  0.92002604])

• cos

# 余弦np.cos(n)# 执行结果array([ 0.54030231, -0.65364362, -0.14550003, -0.91113026, -0.95765948,        0.99120281,  0.39185723])

• tan

# 正切np.tan(n)# 执行结果array([ 1.55740772,  1.15782128, -6.79971146, -0.45231566,  0.30063224,       -0.13352641,  2.34786031])

• round

# 四舍五入np.round(n,2)# 执行结果array([ 1,  4,  8,  9, 16, 25, 64])

• ceil

# 向上取整np.ceil(n)array([ 1.,  4.,  8.,  9., 16., 25., 64.])

• floor

# 向下取整np.floor(n)# 执行结果array([ 1.,  4.,  8.,  9., 16., 25., 64.])

• cumsum

# 累加np.cumsum(n)array([  1,   5,  13,  22,  38,  63, 127])