参考资料:
https://github.com/lijin-THU/notes-python(相应实体书为:《自学Python——编程基础、科学计算及数据分析》)
1. 向量化函数
(1)自定义sinc函数
1 importnumpy as np2
3 defsinc(x):4 if x == 0.0:5 return 1.0
6 else:7 w = np.pi *x8 return np.sin(w) / w
可以作用于单个数值:如sinc(0)、sinc(3.0);但是不能作用于数组x = np.array([1,2,3]);sinc(x) 报错
(2)可以使用 numpy 的vectorize 将函数 sinc 向量化,产生一个新的函数
1 x = np.array([1,2,3])2 vsinc =np.vectorize(sinc)3 vsinc(x) #作用是为 x 中的每一个值调用 sinc 函数
1 importmatplotlib.pyplot as plt2 %matplotlib inline3
4 x = np.linspace(-5,5,101)5 plt.plot(x, vsinc(x))
注:因为这样的用法涉及大量的函数调用,因此,向量化函数的效率并不高
2. 二元运算
(1)四则运算
1 importnumpy as np2 a = np.array([1,2])3 a * 3 #数组与标量相乘,相当于数组的每个元素乘以这个标量
4
5 a = np.array([1,2])6 b = np.array([3,4])7 a *b #数组相乘,结果为逐个元素对应相乘8 np.multiply(a, b) #使用函数9 np.multiply(a, b, a) #如果有第三个参数,表示将结果存入第三个参数中
(2)比较和逻辑运算 //大部分逻辑操作是逐个元素运算的,返回布尔数组
1 a = np.array([[1,2,3,4],2 [2,3,4,5]])3 b = np.array([[1,2,5,4],4 [1,3,4,5]])5 a == b #等于操作是对应元素逐个进行比较的,返回的是等长的布尔数组
注:如果在条件中要判断两个数组是否一样时,不能直接使用 if a==b: 需要使用 if all(a==b):
对于浮点数,由于存在精度问题,使用函数 allclose 会更好 if allclose(a,b):
3. ufunc对象
(1)Numpy有两种基本对象:ndarray (N-dimensional array object) 和 ufunc (universal function object);ndarray 是存储单一数据类型的多维数组,而 ufunc 则是能够对数组进行处理的函数。例如,我们之前所接触到的二元操作符对应的 Numpy 函数,如 add,就是一种 ufunc 对象,它可以作用于数组的每个元素。
1 importnumpy as np2 a = np.array([0,1,2])3 b = np.array([2,3,4])4 np.add(a, b) #作用于每个元素,逐个元素相加,输出array([2, 4, 6])
注:大部分能够作用于数组的数学函数如三角函数等,都是 ufunc 对象
(2)可以查看ufunc对象支持的方法,如np.add对象:dir(np.add)
reduce方法:op.reduce(a) 将操作opp沿着某个轴应用,使得数组 a 的维数降低一维;
1 a = np.array([1,2,3,4])2 np.add.reduce(a) #add 作用到一维数组上相当于求和(降低一维);输出10
1 a = np.array([[1,2,3],[4,5,6]])2 np.add.reduce(a) #多维数组默认只按照第一维进行运算;输出array([5, 7, 9])
3 np.add.reduce(a, 1) #指定维度,输出array([ 6, 15])
1 a = np.array(['ab', 'cd', 'ef'], np.object)2 np.add.reduce(a) #作用于字符串,输出'abcdef'3
4 a = np.array([1,1,0,1])5 np.logical_and.reduce(a) #逻辑与,输出False6 np.logical_or.reduce(a) #逻辑或,输出True
accumulate方法op.accumulate(a):保存reduce方法每一步结果所形成的数组
1 a = np.array([1,2,3,4])2 np.add.accumulate(a) #array([1,3,6,10],dtype=int32)3
4 a = np.array(['ab', 'cd', 'ef'], np.object)5 np.add.accumulate(a) #array(['ab','abcd','abcdef'],dtype=object)6
7 a = np.array([1,1,0,1])8 np.logical_and.accumulate(a) #array([True, True, False, False])9 np.logical_or.accumulate(a) #array([True, True, True, True])
reduceat方法op.recuceat(a, indices):将操作符运用到指定的下标上,返回一个与indices大小相同的数组
1 a = np.array([0, 10, 20, 30, 40, 50])2 indices = np.array([1,4])3 np.add.reduceat(a, indices) #输出array([60, 90])
#60为从下标1(包括)到下标4(不包括)的运算结果;90位下标4(包括)到结尾的操作结果
outer方法op.outer(a,b):对于 a 中每个元素,将 op 运用到它和 b 的每一个元素上所得到的结果(结果大小为a.size*b.size)
1 a = np.array([0,1])2 b = np.array([1,2,3])3#操作顺序有区别
4 np.add.outer(a, b) #array([[1,2,3],[2,3,4]])5 np.add.outer(b, a) #array([[1,2],[2,3],[3,4]])
4. choose函数实现条件筛选(类似switch和case操作)
1 importnumpy as np2 control = np.array([[1,0,1],3 [2,1,0],4 [1,2,2]])5 #control控制元素的对应下标,将下标0、1、2的值分别映射为10,11,12
6 np.choose(control, [10, 11, 12])
#结果和control大小相同,为
array([[11, 10, 11],
[12,11, 10],
[11, 12, 12]])
1 i0 = np.array([[0,1,2],2 [3,4,5],3 [6,7,8]])4 i2 = np.array([[20,21,22],5 [23,24,25],6 [26,27,28]])7 control = np.array([[1,0,1],8 [2,1,0],9 [1,2,2]])10 #根据choose中对应下标所在位置,映射为下标对应的数组的相应位置
11 np.choose(control, [i0, 10, i2]) #0对应i0,1对应10,2对应i2
输出:array([[10, 1, 10],
[23, 10, 5],
[10, 27, 28]])
#将数组中所有小于10的值变为10
1 a = np.array([[ 0, 1, 2],2 [10,11,12],3 [20,21,22]])4 np.choose(a < 10, (a, 10)) #True=1对应于10,False=0对应于数组a(选取相应位置的值)
1 a = np.array([[ 0, 1, 2],2 [10,11,12],3 [20,21,22]])4
5 lt = a < 10
6 gt = a > 15
7 #将数组中所有小于 10 的值变成了 10,大于 15 的值变成了 15
8 choice = lt + 2 *gt #0对应a,1对应10,2对应159 np.choose(choice, (a, 10, 15))
5. 数组广播机制
1 importnumpy as np2 a =np.array([[ 0, 0, 0],3 [10,10,10],4 [20,20,20],5 [30,30,30]])6 b = np.array([[ 0, 1, 2],7 [ 0, 1, 2],8 [ 0, 1, 2],9 [ 0, 1, 2]])10 a +b #正常加法11
12 b = np.array([0,1,2]) #b为一维数组array([0,1,2]),shape为(3,)13 a +b #将b扩展为先前的数组形状14
15 a = np.array([0,10,20,30]) #此时a.shape为(4,),a+b会由于维度不匹配报错
ValueError: operands could not be broadcast together with shapes (4,) (3,)
16 a.shape = 4,1 #等价于a= a[:, np.newaxis],a为一维列向量array([[0],[10],[20],[30]]),shape为(4,1)
17 a+b #二者均自动扩展为最初数组形状
对于 Numpy 来说,维度匹配当且仅当:
维度相同
有一个的维度是1
匹配会从最后一维开始进行,直到某一个的维度全部匹配为止
1 x = np.linspace(-.5,.5, 21) #(21,)2 y =x[:, np.newaxis] #(21,1)3 radius = np.sqrt(x ** 2 + y ** 2) #因为y存在一维,所以自动扩展x、y为21*214 importmatplotlib.pyplot as plt5 %matplotlib inline6
7 plt.imshow(radius)