NumPy入门教程
第一章 NumPy 介绍
第二章 ndarray的创建及其属性
第三章 ndarray的基本操作
第四章 ndarray的索引、切片和遍历
第五章 ndarray的重塑、组合和拆分
第六章 用于ndarray的文件操作
第七章 ndarray的赋值、视图、拷贝和广播
前言
上一章我们讲述了 ndarray 的创建及属性。本节课我们讲述 ndarray 的基本操作。在第一节课的时候，我们提到过 ndarray 支持元素方式的操作。下面我们就对 ndarray 支持的操作做一个详细的讲述。
一、ndarray 和标量之间的运算
1.加法运算
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list)
>>>
>>> my_arr = my_arr + 3
>>> my_arr
array([4, 5, 6, 7, 8, 9])
从上述代码的执行结果可以看出，在对 ndarray 执行加法运算时，ndarray 中的每个元素都会加上相应的值。在执行加法运算时，同样可以使用 += 运算符。例如：
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list)
>>>
>>> my_arr += 3
>>> my_arr
array([4, 5, 6, 7, 8, 9])
2.减法运算
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list)
>>>
>>> my_arr = my_arr - 3
>>> my_arr
array([-2, -1, 0, 1, 2, 3])
从上述代码的执行结果可以看出，在对 ndarray 执行减法运算时，ndarray 中的每个元素都会减去相应的值。在执行减法运算时，同样可以使用 -= 运算符。例如：
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list)
>>>
>>> my_arr -= 3
>>> my_arr
array([-2, -1, 0, 1, 2, 3])
3.乘法运算
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list)
>>>
>>> my_arr = my_arr * 3
>>> my_arr
array([ 3, 6, 9, 12, 15, 18])
从上述代码的执行结果可以看出，在对 ndarray 执行乘法运算时，ndarray 中的每个元素都会乘上相应的值。在执行乘法运算时，同样可以使用 *= 运算符。例如：
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list)
>>>
>>> my_arr *= 3
>>> my_arr
array([ 3, 6, 9, 12, 15, 18])
4.除法运算
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list)
>>>
>>> my_arr = my_arr / 3
>>> my_arr
array([0.33333333, 0.66666667, 1. , 1.33333333, 1.66666667,
2. ])
从上述代码的执行结果可以看出，在对 ndarray 执行除法运算时，ndarray 中的每个元素都会除以相应的值。在执行除法运算时，同样可以使用 /= 运算符，在使用 /= 操作符时要把 ndarray 中元素的类型更改为 float64，否则会报错。例如：
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list)
>>>
>>> my_arr /= 3
Traceback (most recent call last):
File "<input>", line 1, in <module>
my_arr /= 3
TypeError: No loop matching the specified signature and casting was found for ufunc true_divide
上述代码会报错，需要改成如下形式：
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list, dtype=np.float64)
>>>
>>> my_arr /= 3
>>> my_arr
array([0.33333333, 0.66666667, 1. , 1.33333333, 1.66666667,
2. ])
5.取余运算
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list)
>>>
>>> my_arr = my_arr % 3
>>> my_arr
array([1, 2, 0, 1, 2, 0])
从上述代码的执行结果可以看出，在对 ndarray 执行取余运算时，ndarray 中的每个元素都会对相应的值取余。在执行取余运算时，同样可以使用 %= 运算符。例如：
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list)
>>>
>>> my_arr %= 3
>>> my_arr
array([1, 2, 0, 1, 2, 0])
6.取整运算
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list)
>>>
>>> my_arr = my_arr // 3
>>> my_arr
array([0, 0, 1, 1, 1, 2])
从上述代码的执行结果可以看出，在对 ndarray 执行取整运算时，ndarray 中的每个元素都会对相应的值取整。在执行取整运算时，同样可以使用 //= 运算符。例如：
>>> import numpy as np
>>>
>>> my_list = [1, 2, 3, 4, 5, 6]
>>> my_arr = np.array(my_list)
>>>
>>> my_arr //= 3
>>> my_arr
array([0, 0, 1, 1, 1, 2])
二、ndarray 之间的运算
1.一维数组
1.1 加法运算
>>> import numpy as np
>>>
>>> my_list1 = [1, 2, 3, 4, 5, 6]
>>> my_arr1 = np.array(my_list1)
>>>
>>> my_list2 = [7, 8, 9, 10, 11, 12]
>>> my_arr2 = np.array(my_list2)
>>>
>>> sum_arr = my_arr1 + my_arr2
>>> sum_arr
array([ 8, 10, 12, 14, 16, 18])
从上述代码的执行结果可以看出，两个 ndarray 在执行加法运算时，规则是两个 ndarray 相同位置的元素相加。另外还有一点要注意的是，进行运算的两个 ndarray 的维度数以及每个维度的大小必须相同，否则会出错。其他类型的运算和加法运算类似，就不一一详细讲述了，大家可以通过下面的代码来感受下。
1.2 减法运算
>>> import numpy as np
>>>
>>> my_list1 = [1, 2, 3, 4, 5, 6]
>>> my_arr1 = np.array(my_list1)
>>>
>>> my_list2 = [7, 8, 9, 10, 11, 12]
>>> my_arr2 = np.array(my_list2)
>>>
>>> sub_arr = my_arr1 - my_arr2
>>> sub_arr
array([-6, -6, -6, -6, -6, -6])
1.3 乘法运算
>>> import numpy as np
>>>
>>> my_list1 = [1, 2, 3, 4, 5, 6]
>>> my_arr1 = np.array(my_list1)
>>>
>>> my_list2 = [7, 8, 9, 10, 11, 12]
>>> my_arr2 = np.array(my_list2)
>>>
>>> mul_arr = my_arr1 * my_arr2
>>> mul_arr
array([ 7, 16, 27, 40, 55, 72])
1.4 除法运算
>>> import numpy as np
>>>
>>> my_list1 = [1, 2, 3, 4, 5, 6]
>>> my_arr1 = np.array(my_list1)
>>>
>>> my_list2 = [7, 8, 9, 10, 11, 12]
>>> my_arr2 = np.array(my_list2)
>>>
>>> div_arr = my_arr1 / my_arr2
>>> div_arr
array([0.14285714, 0.25 , 0.33333333, 0.4 , 0.45454545,
0.5 ])
上面讲的是一维数组之间的运算，同样的运算也适用于多维数组，下面以二维数组为例做介绍。
2.二维数组
2.1 加法运算
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(1, 10).reshape(3,3)
>>> my_arr2 = np.arange(2, 11).reshape(3,3)
>>>
>>> sum_arr = my_arr1 + my_arr2
>>> sum_arr
array([[ 3, 5, 7],
[ 9, 11, 13],
[15, 17, 19]])
二维数组之间的运算和一维数组类似，以加法来说，在进行运算时，两个数组相同位置上的元素相加。同样要求两个 ndarray 的维度数以及每个维度的大小必须相同，否则会出错。其他类型的运算和加法运算类似，就不一一详细讲述了，大家可以通过下面的代码来感受下。
2.2 减法运算
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(1, 10).reshape(3,3)
>>> my_arr2 = np.arange(2, 11).reshape(3,3)
>>>
>>> sub_arr = my_arr2 - my_arr1
>>> sub_arr
array([[1, 1, 1],
[1, 1, 1],
[1, 1, 1]])
2.3 乘法运算
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(1, 10).reshape(3,3)
>>> my_arr2 = np.arange(2, 11).reshape(3,3)
>>>
>>> mul_arr = my_arr2 * my_arr1
>>> mul_arr
array([[ 2, 6, 12],
[20, 30, 42],
[56, 72, 90]])
2.4 除法运算
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(1, 10).reshape(3,3)
>>> my_arr2 = np.arange(2, 11).reshape(3,3)
>>>
>>> div_arr = my_arr2 / my_arr1
>>> div_arr
array([[2. , 1.5 , 1.33333333],
[1.25 , 1.2 , 1.16666667],
[1.14285714, 1.125 , 1.11111111]])
三、ndarray 的点乘
上面讲到的 ndarray 乘法是两个 ndarray 相同位置的元素相乘。下面来讲下 ndarray 的点乘。ndarray 的点乘需要使用 dot() 函数。
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(1, 10).reshape(3,3)
>>> my_arr2 = np.ones((3, 3))
>>>
>>> dot_arr = np.dot(my_arr1, my_arr2)
>>> dot_arr
array([[ 6., 6., 6.],
[15., 15., 15.],
[24., 24., 24.]])
ndarray 点乘的规则是：
ndarray 有点要注意的是，只有当矩阵 A 的列数（column）等于矩阵 B 的行数（row）时，A 与 B 才可以相乘。上面的点乘还可以写成如下形式：
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(1, 10).reshape(3,3)
>>> my_arr2 = np.ones((3, 3))
>>>
>>> dot_arr = my_arr1.dot(my_arr2)
>>> dot_arr
array([[ 6., 6., 6.],
[15., 15., 15.],
[24., 24., 24.]])
由于 my_arr1 和 my_arr2 都是 3 行 3 列的数组，在进行点乘时，也可以把 my_arr2 放在前面，只不过结果会有所不同，例如：
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(1, 10).reshape(3,3)
>>> my_arr2 = np.ones((3, 3))
>>>
>>> dot_arr = np.dot(my_arr2, my_arr1)
>>> dot_arr
array([[12., 15., 18.],
[12., 15., 18.],
[12., 15., 18.]])
同样的，上述代码还有另外一种写法：
>>> import numpy as np
>>>
>>> my_arr1 = np.arange(1, 10).reshape(3,3)
>>> my_arr2 = np.ones((3, 3))
>>>
>>> dot_arr = my_arr2.dot(my_arr1)
>>> dot_arr
array([[12., 15., 18.],
[12., 15., 18.],
[12., 15., 18.]])
四、一些函数
1.一维数组
1.1 sqrt() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 7)
>>> np.sqrt(my_arr)
array([1. , 1.41421356, 1.73205081, 2. , 2.23606798,
2.44948974])
上述代码求数组中各个元素的平方根。
1.2 log() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 7)
>>> np.log(my_arr)
array([0. , 0.69314718, 1.09861229, 1.38629436, 1.60943791,
1.79175947])
上述代码求数组中各个元素以 e 为底的对数。
1.3 sin() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 7)
>>> np.sin(my_arr)
array([ 0.84147098, 0.90929743, 0.14112001, -0.7568025 , -0.95892427,
-0.2794155 ])
上述代码求数组中各个元素（元素的值代表弧度）的正弦值。
1.4 cos() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 7)
>>> np.cos(my_arr)
array([ 0.54030231, -0.41614684, -0.9899925 , -0.65364362, 0.28366219,
0.96017029])
上述代码求数组中各个元素（元素的值代表弧度）的余弦值。
1.5 sum() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 7)
>>> np.sum(my_arr)
21
上述代码求数组中各个元素的和。
1.6 min() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 7)
>>> np.min(my_arr)
1
上述代码求数组中各个元素中的最小值。
1.7 max() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 7)
>>> np.max(my_arr)
6
上述代码求数组中各个元素中的最大值。
1.8 mean() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 7)
>>> np.mean(my_arr)
3.5
上述代码求数组中各个元素的平均值。
1.9 std() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 7)
>>> np.std(my_arr)
1.707825127659933
上述代码求数组中各个元素的标准差。
1.10cumsum() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 7)
>>> np.cumsum(my_arr)
array([ 1, 3, 6, 10, 15, 21])
上述代码求数组中各个元素的累计和，得到的是一个和原来的数组维度相同的数组。
1.11 cumprod() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 7)
>>> np.cumprod(my_arr)
array([ 1, 2, 6, 24, 120, 720])
上述代码求数组中各个元素的累计积，得到的是一个和原来的数组维度相同的数组。
2.二维数组
2.1 sum() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.sum(my_arr)
45
上述代码求数组中各个元素的和。对于二维数组来说，在进行求和时，可以指定坐标轴，如果传入参数 axis=0，则对每列进行求和；如果传入参数 axis=1，则对每行进行求和。我们分别通过代码来看：
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.sum(my_arr, axis=0)
array([12, 15, 18])
上述代码对二维数组的每列进行求和，得到一个一维数组。
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.sum(my_arr, axis=1)
array([ 6, 15, 24])
上述代码对二维数组的每行进行求和，得到一个一维数组。
2.2 min() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.min(my_arr)
1
上述代码求数组中各个元素中的最小值。min() 函数同样可以传入 axis 参数，例如：
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.min(my_arr, axis=0)
array([1, 2, 3])
上述代码求二维数组每列的最小值，得到一个一维数组。
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.min(my_arr, axis=1)
array([1, 4, 7])
上述代码求二维数组每行的最小值，得到一个一维数组。
2.3 max() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.max(my_arr)
9
上述代码求数组中各个元素中的最大值。max() 函数同样可以传入 axis 参数，例如：
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.max(my_arr, axis=0)
array([7, 8, 9])
上述代码求二维数组每列的最大值，得到一个一维数组。
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.max(my_arr, axis=1)
array([3, 6, 9])
上述代码求二维数组每行的最大值，得到一个一维数组。
2.4 mean() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.mean(my_arr)
5.0
上述代码求数组中各个元素中的平均值。mean() 函数同样可以传入 axis 参数，例如：
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.mean(my_arr, axis=0)
array([4., 5., 6.])
上述代码求二维数组每列的平均值，得到一个一维数组。
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.mean(my_arr, axis=1)
array([2., 5., 8.])
上述代码求二维数组每行的平均值，得到一个一维数组。
2.5 std() 函数
import numpy as np
my_arr = np.arange(1, 10).reshape(3,3)
print(np.std(my_arr))
上述代码求数组中各个元素中的标准差。std() 函数同样可以传入 axis 参数，例如：
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.std(my_arr, axis=0)
array([2.44948974, 2.44948974, 2.44948974])
上述代码求二维数组每列的标准差，得到一个一维数组。
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.std(my_arr, axis=1)
array([0.81649658, 0.81649658, 0.81649658])
上述代码求二维数组每行的标准差，得到一个一维数组。
2.6 cumsum() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.cumsum(my_arr)
array([ 1, 3, 6, 10, 15, 21, 28, 36, 45])
上述代码求数组中各个元素的累计和，得到的是一个和原来的数组维度相同的数组。
cumsum() 函数同样可以传入 axis 参数，例如：
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.cumsum(my_arr, axis=0)
array([[ 1, 2, 3],
[ 5, 7, 9],
[12, 15, 18]])
上述代码求数组每列的累计和，得到的是一个和原来的数组维度相同的数组。
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.cumsum(my_arr, axis=1)
array([[ 1, 3, 6],
[ 4, 9, 15],
[ 7, 15, 24]])
上述代码求数组每行的累计和，得到的是一个和原来的数组维度相同的数组。
2.7 cumprod() 函数
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.cumprod(my_arr)
array([ 1, 2, 6, 24, 120, 720, 5040, 40320,
362880])
上述代码求数组中各个元素的累计积，得到的是一个和原来的数组维度相同的数组。
cumprod() 函数同样可以传入 axis 参数，例如：
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.cumprod(my_arr, axis=0)
array([[ 1, 2, 3],
[ 4, 10, 18],
[ 28, 80, 162]])
上述代码求数组每列的累计积，得到的是一个和原来的数组维度相同的数组。
>>> import numpy as np
>>>
>>> my_arr = np.arange(1, 10).reshape(3,3)
>>> np.cumprod(my_arr, axis=1)
array([[ 1, 2, 6],
[ 4, 20, 120],
[ 7, 56, 504]])
上述代码求数组每行的累计积，得到的是一个和原来的数组维度相同的数组。
总结
本章我们介绍了ndarray和标量之间的运算，ndarray之间的运算，ndarray的点乘以及一些函数。
上一章 ndarray的创建及属性
下一章 ndarray的索引、切片和遍历
3857
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
