NumPy加减法与比较运算
>>> import numpy as np
>>> a = np.array([20,30,40,50])
>>> b = np.arange(4)
>>> a
array([20, 30, 40, 50])
>>> b
array([0, 1, 2, 3])
>>> c = a - b
>>> c
array([20, 29, 38, 47])
>>> a<35
array([ True, True, False, False], dtype=bool)
NumPy乘法、幂
NumPy中的乘法运算符 * 指示按元素计算,矩阵乘法可以使用dot函数实现。
>>> A = np.array([[1,1],[0,1]])
>>> B = np.array([[2,0],[3,4]])
>>> A*B
array([[2, 0],
[0, 4]])
>>> np.dot(A,B)
array([[5, 4],
[3, 4]])
>>> b**2
array([0, 1, 4, 9], dtype=int32)
NumPy不同类型数组运算
>>> from math import *
>>> pi
3.141592653589793
>>> a = np.ones(3,dtype = 'int32')
>>> b = np.linspace(0,pi,3)
>>> b.dtype.name
'float64'
>>> c = a+b
>>> c
array([ 1. , 2.57079633, 4.14159265])
>>> c.dtype.name
'float64'
>>> d = np.exp(c*1j)
>>> d
array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
-0.54030231-0.84147098j])
>>> d.dtype.name
'complex128'
NumPy其他基本运算
有些操作符像 +=和 *=被用来更改已存在数组而不创建一个新的数组。
>>> a = np.ones((2,3),dtype = int)
>>> b = np.random.random((2,3))
>>> a *= 3
>>> a
array([[3, 3, 3],
[3, 3, 3]])
>>> b += a
>>> b
array([[ 3.82986646, 3.12984628, 3.04199739],
[ 3.08196784, 3.89521315, 3.47708674]])
计算数组所有元素之和:
>>> a = np.random.random((2,3))
>>> a
array([[ 0.142158 , 0.01283147, 0.92017215],
[ 0.92969843, 0.552302 , 0.98828714]])
>>> a.sum()
3.5454491942571247
>>> a.max()
0.9882871427681359
指定 axis参数可以把运算应用到数组指定的轴上:
>>> b = np.arange(12)
>>> b
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
>>> b = b.reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> b.sum(axis=0)
array([12, 15, 18, 21])
>>> b.min(axis=1)
array([0, 4, 8])
>>> b.cumsum(axis=1)
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]], dtype=int32)
NumPy通用函数
NumPy提供常见的数学函数如 sin, cos和 exp。在NumPy中,这些叫作“通用函数”(ufunc)。
>>> B = np.arange(3)
>>> B
array([0, 1, 2])
>>> np.exp(B)
array([ 1. , 2.71828183, 7.3890561 ])
>>> np.sqrt(B)
array([ 0. , 1. , 1.41421356])
>>> C = np.array([2.,-1.,4.])
>>> np.add(B,C)
array([ 2., 0., 6.])
>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])
参考自微信公众号:机器学习算法与Python学习,收藏 | Numpy详细教程,2018年11月26日。