1.向量化和广播化
向量化和广播这两个概念是 numpy 内部实现的基础。
向量化：编写代码时无需使用显式循环。这些循环实际上不能省略，只不过是在内部实现，被代码中的其他结构代替。向量化的应用使得代码更简洁，可读性更强，也可以说使用了向量化方法的代码看上去更“Pythonic”。
广播（Broadcasting）机制描述了 numpy 如何在算术运算期间处理具有不同形状的数组，让较小的数组在较大的数组上“广播”，以便它们具有兼容的形状。并不是所有的维度都要彼此兼容才符合广播机制的要求，但它们必须满足一定的条件。
总结来说，广播的规则有三个：
1）如果两个数组的维度数dim不相同，那么小维度数组的形状将会在左边补1。
2） 如果shape维度不匹配，但是有维度是1，那么可以扩展维度是1的维度匹配另一个数组；
3） 如果shape维度不匹配，但是没有任何一个维度是1，则匹配引发错误；
【例】二维数组加一维数组
【例】两个数组均需要广播
【例】不匹配报错的例子
2.数学函数
在 numpy 中对以上函数进行了运算符的重载，且运算符为 元素级。也就是说，它们只用于位置相同的元素之间，所得到的运算结果组成一个
新的数组。
1）numpy.add
numpy.add(x1, x2, *args, **kwargs)
Add arguments element-wise
2）numpy.subtract
numpy.subtract(x1, x2, *args, **kwargs)
Subtract arguments element-wise.
3）numpy.multiply
numpy.multiply(x1, x2, *args, **kwargs)
Multiply arguments element-wise.
4）numpy.divide
numpy.divide(x1, x2, *args, **kwargs)
Returns a true division of the inputs, element-wise.
5）numpy.floor_divide
numpy.floor_divide(x1, x2, *args, **kwargs)
Return the largest integer smaller or equal to the division of the inputs.
6）numpy.power
numpy.power(x1, x2, *args, **kwargs)
First array elements raised to powers from second array, element-wise.
【例】注意 numpy 的广播规则。
7）numpy.sqrt
numpy.sqrt(x, *args, **kwargs)
Return the non-negative square-root of an array, element-wise.
8）numpy.square
numpy.square(x, *args, **kwargs)
Return the element-wise square of the input.
3.三角函数
1 ）numpy.sin
numpy.sin(x, *args, **kwargs)
Trigonometric sine, element-wise.
2 ）numpy.cos
numpy.cos(x, *args, **kwargs)
Cosine element-wise.
3 ）numpy.tan
numpy.tan(x, *args, **kwargs)
Compute tangent element-wise.
4 ）numpy.arcsin
numpy.arcsin(x, *args, **kwargs)
Inverse sine, element-wise.
5 ）numpy.arccos
numpy.arccos(x, *args, **kwargs)
Trigonometric inverse cosine, element-wise.
6） numpy.arctan
numpy.arctan(x, *args, **kwargs)
Trigonometric inverse tangent, element-wise.
通用函数（universal function）通常叫作ufunc，它对数组中的各个元素逐一进行操作。这表明，通用函数分别处理输入数组的每个元素，生成的结果组成一个新的输出数组。输出数组的大小跟输入数组相同。
三角函数等很多数学运算符合通用函数的定义，例如，计算平方根的 sqrt() 函数、用来取对数的 log() 函数和求正弦值的 sin() 函数。
4.指数和对数
1 ）numpy.exp
numpy.exp(x, *args, **kwargs)
Calculate the exponential of all elements in the input array
2 ）numpy.log
numpy.log(x, *args, **kwargs)
Natural logarithm, element-wise.
3 ）numpy.exp2
numpy.exp2(x, *args, kwargs)
Calculate 2p for all p in the input array.
4 ）numpy.log2
numpy.log2(x, *args, **kwargs)
Base-2 logarithm of x .
5 ）numpy.log10
numpy.log10(x, *args, **kwargs)
Return the base 10 logarithm of the input array, element-wise.
5.加法函数、乘法函数
-
numpy.sum
numpy.sum(a[, axis=None, dtype=None, out=None, …]) Sum of array elements over a given axis.
通过不同的 axis ，numpy 会沿着不同的方向进行操作：如果不设置，那么对所有的元素操作；如果 axis=0 ，则沿着纵轴进行操作； axis=1 ，则沿着横轴进行操作。但这只是简单的二位数组，如果是多维的呢？可以总结为一句话：设 axis=i ，则 numpy 沿着第 i 个
下标变化的方向进行操作。
【例】返回给定轴上的数组元素的总和。
-
numpy.cumsum
numpy.cumsum(a, axis=None, dtype=None, out=None) Return the cumulative sum of the elements along a given axis.
聚合函数 是指对一组值（比如一个数组）进行操作，返回一个单一值作为结果的函数。因而，求数组所有元素之和的函数就是聚合函数。 ndarray 类实现了多个这样的函数。
【例】返回给定轴上的数组元素的累加和。
-
numpy.prod 乘积
numpy.prod(a[, axis=None, dtype=None, out=None, …]) Return the product of array elements over a given axis.
【例】返回给定轴上数组元素的乘积。
-
numpy.cumprod 累乘
numpy.cumprod(a, axis=None, dtype=None, out=None) Return the cumulative product of elements along a given axis.
【例】返回给定轴上数组元素的累乘。
-
numpy.diff 差值
numpy.diff(a, n=1, axis=-1, prepend=np._NoValue, append=np._NoValue)
Calculate the n-th discrete difference along the given axis.
a. a：输入矩阵
b. n：可选，代表要执行几次差值
c. axis：默认是最后一个
【例】沿着指定轴计算第N维的离散差值。
- 四舍五入
1）numpy.around 舍入
numpy.around(a, decimals=0, out=None)
Evenly round to the given number of decimals.
2）numpy.ceil 上限
numpy.ceil(x, *args, **kwargs)
Return the ceiling of the input, element-wise
3）numpy.floor 下限
numpy.floor(x, *args, **kwargs)
Return the floor of the input, element-wise.
- 杂项
1） numpy.clip 裁剪
numpy.clip(a, a_min, a_max, out=None, **kwargs):
Clip (limit) the values in an array
【例】裁剪（限制）数组中的值。
2）numpy.absolute 绝对值
numpy.absolute(x, *args, **kwargs)
Calculate the absolute value element-wise.
3）numpy.abs
numpy.abs(x, *args, **kwargs) is a shorthand for this function.
4）numpy.sign 返回数字符号的逐元素指示
numpy.sign(x, *args, **kwargs)
Returns an element-wise indication of the sign of a number
- 逻辑函数-真值测试
1）numpy.all
numpy.all(a, axis=None, out=None, keepdims=np._NoValue)
对矩阵所有元素做与操作，所有为True则返回True
2）numpy.any
numpy.any(a, axis=None, out=None, keepdims=np._NoValue)
对矩阵所有元素做或运算，存在True则返回True
- 逻辑函数-数组内容
1） numpy.isnan
numpy.isnan(x, *args, **kwargs)
Test element-wise for NaN and return result as a boolean array.
- 逻辑函数-逻辑运算
1）numpy.logical_not
numpy.logical_not(x, *args, **kwargs)
Compute the truth value of NOT x element-wise
2）numpy.logical_and
numpy.logical_and(x1, x2, *args, **kwargs)
Compute the truth value of x1 AND x2 element-wise.
3）numpy.logical_or
numpy.logical_or(x1, x2, *args, **kwargs)
Compute the truth value of x1 OR x2 element-wise.
4）numpy.logical_xor
不同为True相同为False
numpy.logical_xor(x1, x2, *args, **kwargs)
Compute the truth value of x1 XOR x2, element-wise.
【例】计算非x元素的真值。
【例】计算x1 AND x2元素的真值。
【例】逐元素计算x1 OR x2的真值。
【例】计算x1 XOR x2的真值，按元素计算。
不同为True相同为False
- 逻辑函数-对照
1）numpy.greater
numpy.greater(x1, x2, *args, **kwargs)
Return the truth value of (x1 > x2) element-wise.
2）numpy.greater_equal
numpy.greater_equal(x1, x2, *args, **kwargs)
Return the truth value of (x1 >= x2) element-wise.
3）numpy.equal
numpy.equal(x1, x2, *args, **kwargs)
Return (x1 == x2) element-wise.
4）numpy.not_equal
numpy.not_equal(x1, x2, *args, **kwargs)
Return (x1 != x2) element-wise
5）numpy.less
numpy.less(x1, x2, *args, **kwargs)
Return the truth value of (x1 < x2) element-wise.
6）numpy.less_equal
numpy.less_equal(x1, x2, *args, **kwargs)
Return the truth value of (x1 =< x2) element-wise.
【例】numpy对以上对照函数进行了运算符的重载。
【例】注意 numpy 的广播规则。
7） numpy.isclose
numpy.isclose(a, b, rtol=1.e-5, atol=1.e-8, equal_nan=False)
isclose函数用来判断两个浮点数的值是否接近或相等，这是由于浮点数的计算总是存在一定的误差。
Returns a boolean array where two arrays are element-wise equal within a tolerance.
8） numpy.allclose
判断两个向量是否相近
numpy.allclose(a, b, rtol=1.e-5, atol=1.e-8, equal_nan=False)
Returns True if two arrays are element-wise equal within a tolerance.
【例】比较两个数组是否可以认为相等。
5788
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
