Numpy----------(六)

二、ufunc函数

     2.四则运算

    numpy提供的四则运算如下，这些四则运算同时提供了函数形式以及表达式形式：

• 加法：表达式形式y=x1+x2，使用ufunc函数的形式：numpy.add(x1,x2[,out=y])

• 减法：表达式形式y=x1-x2，使用ufunc函数的形式：numpy.subtract(x1,x2[,out=y])

• 乘法：表达式形式y=x1*x2，使用ufunc函数的形式：numpy.multiply(x1,x2[,out=y])

• 真除法：表达式形式y=x1/x2，使用ufunc函数的形式：numpy.true_divide(x1,x2[,out=y])

  • python3 中，numpy.divide(x1,x2[,out=y])也是真除法

• 取整除法：表达式形式y=x1//x2，使用ufunc函数的形式：numpy.floor_divide(x1,x2[,out=y])

• 取反：表达式形式y=-x，使用ufunc函数的形式：numpy.negative(x[,out=y])

• 乘方：表达式形式y=x1**x2，使用ufunc函数的形式：numpy.power(x1,x2[,out=y])

• 取余数：表达式形式y=x1%x2，使用ufunc函数的形式：numpy.remainder(x1,x2[,out=y])

• 

• 对于 np.add(a,b,a) 这种可以使用a+=b来表示。这些四则运算都可以采用这种方式。

• 当表达式很复杂时，如果同时数组很大，则会因为产生大量的中间结果而降低程序的运算速度。如： x=a*b+c等价于

•  t=a*b

    x=t+c

    del t

• 可以使用

•   x=a*b

    x+=c

• 从而减少了一次内存分配。

3. 比较运算    

    numpy提供的比较运算如下，这些比较运算同时提供了函数形式以及表达式形式，并且产生的结果是布尔类型的数组：

• 等于： 表达式形式y=x1==x2，使用ufunc函数的形式：numpy.equal(x1,x2[,out=y])
• 不等于： 表达式形式y=x1!=x2，使用ufunc函数的形式：numpy.not_equal(x1,x2[,out=y])
• 小于： 表达式形式y=x1<x2，使用ufunc函数的形式：numpy.less(x1,x2[,out=y])
• 小于等于： 表达式形式y=x1<=x2，使用ufunc函数的形式：numpy.less_equal(x1,x2[,out=y])
• 大于： 表达式形式y=x1>x2，使用ufunc函数的形式：numpy.greater(x1,x2[,out=y])
• 大于等于： 表达式形式y=x1>=x2，使用ufunc函数的形式：numpy.greater_equal(x1,x2[,out=y])

    

4.逻辑运算

    由于python中的布尔运算使用and/or/not关键字，因此它们无法被重载。numpy提供的数组布尔运算只能通过ufunc函数进行，这些函数以logical_开头。进行逻辑运算时，对于数值零视作False；对数值非零视作True。运算结果也是一个布尔类型的数组：

    

• 与：ufunc函数的形式：numpy.logical_and(x1,x2[,out=y])
• 或：ufunc函数的形式：numpy.logical_or(x1,x2[,out=y])
• 否定：ufunc函数的形式：numpy.logical_not(x[,out=y])
• 异或：ufunc函数的形式：numpy.logical_xor(x1,x2[,out=y])

    

对于数组x，numpy定义了下面的操作：

• numpy.any(x)：只要数组中有一个元素值为True（如果数值类型，则为非零），则结果就返回True；否则返回False
• numpy.all(x)：只有数组中所有元素都为True（如果数值类型，则为非零），则结果才返回True；否则返回False
• 

5. 位运算

     numpy提供的位运算如下，这些位运算同时提供了函数形式（这些函数以bitwise_开头）以及表达式形式。其中输入数组必须是整数或者布尔类型（如果是浮点数则报错）：

    

• 按位与：表达式形式y=x1&x2，使用ufunc函数的形式：numpy.bitwise_and(x1,x2[,out=y])
• 按位或：表达式形式y=x1|x2，使用ufunc函数的形式：numpy.bitwise_or(x1,x2[,out=y])
• 按位取反：表达式形式y=~x，使用ufunc函数的形式：numpy.bitwise_not(x[,out=y])
• 按位异或：表达式形式y=x1^x2，使用ufunc函数的形式：numpy.bitwise_xor(x1,x2[,out=y]

    

1. 有几点注意：

   • 位运算符的优先级要比比较运算符高
   • 整数数组的位运算和C语言的位运算符相同，注意正负号

    6、自定义ufunc函数

        可以通过frompyfunc()将计算单个元素的函数转换成ufunc函数。调用格式为：my_ufunc=frompyfunc(func,nin,nout)。其中：

• func：计算单个元素的函数
• nin：func的输入参数的个数
• nout：func返回值的个数

调用时，使用my_ufunc(...)即可。

       

        

    也可以通过vectorize()函数来实现frompyfunc()的功能。其原型为： np.vectorize(func, otypes='', doc=None, excluded=None)。其中：

• func：计算单个元素的函数
• otypes：可以是一个表示结果数组元素类型的字符串，也可以是一个类型列表。如果使用类型列表，可以描述多个返回数组的元素类型
• doc：函数的描述字符串。若未给定，则使用func.__doc__
• excluded：指定func中哪些参数未被向量化。你可以指定一个字符串和整数的集合，其中字符串代表关键字参数，整数代表位置参数。

   

  7.ufunc 对象的方法

1. ufunc函数对象本身还有一些方法。

   • 这些方法只对于两个输入、一个输出的ufunc函数函数有效。对于其他的ufunc函数对象调用这些方法时，会抛出ValueError异常。

2. ufunc.reduce方法：类似于Python的reduce函数，它沿着axis参数指定的轴，对数组进行操作。

   • 相当于将<op>运算符插入到沿着axis轴的所有元素之间：<op>.reduce(array,axis=0,dtype=None)
   • 经过一次reduce，结果数组的维度降低一维

ufunc.accumulate方法：它类似于reduce()的计算过程，但是它会保存所有的中间计算结果，从而使得返回数组的形状和输入数组的形状相同：

ufunc.outer方法：相当于将<op>运算符对输入数组A和输入数组B的每一对元素对(a,b)起作用：<op>.reduce(A,B)。结果数组维度为A.dim+B.dim。设A的shape=(4,5)，B的shape为(4,)，则结果数组的shape=(4,5,4)。

• 一维数组和一维数组的outer操作为二维数组
• 多维数组的outer拆分成各自的一维操作
• 相当于把数组1 广播为（4,5,4），数组二广播为（4,5,4）然后再进行广播后的运算。
• 

8. 数学函数

1. 下面是一元的数学函数：

   • abs/fabs：计算整数、浮点数或者复数的绝对值。对于非复数值，可以使用更快的fabs
   • sqrt ：计算平方根，相当于a**0.5
   • square：计算平方，相当于a**2
   • exp：计算指数
   • log/log10/log2/log1p：分别为
   • sign：计算
   • ceil：计算各元素的ceiling值：大于等于该值的最小整数
   • floor：计算个元素的floor值：小于等于该值的最大整数
   • rint：将各元素四舍五入到最接近的整数，保留dtype
   • modf：将数组的小数和整数部分以两个独立数组的形式返回
   • isnan：返回一个布尔数组，该数组指示那些是NaN
   • isfinite/isinf：返回一个布尔数组，该数组指示哪些是有限的/无限数
   • cos/cosh/sin/sinh/tan/tanh：普通和双曲型三角函数
   • arccos/arcsosh/arcsin/arcsinh/arctan/arctanh:反三角函数                                                                                                                                                                             

9、总结

    内容来自网络，侵删。