无数个相同的常数数组怎么设置_数据分析-数组的计算

1.数组与数字计算

1-1对于一个二维数组，我们进行加2操作，结果会是什么呢

import numpy as npt1=np.arange(24)t2=t1.reshape((4,6))print(t2)print("----------")t3=t2+2print(t3)

运行结果：我们可以发现数组里的每个数都进行了加2操作

D:pythonpython.exe F:/data_analysis/numpy_calculation.py[[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23]]----------[[ 2 3 4 5 6 7] [ 8 9 10 11 12 13] [14 15 16 17 18 19] [20 21 22 23 24 25]]进程已结束，退出代码 0

1-2同理对于乘除减法原理也都是一样的

1-3对数组除以0的情况

import numpy as npt1=np.arange(24)t2=t1.reshape((4,6))print(t2)print("----------")t3=t2/0print(t3)

运行结果并没有报错，只是给了警告。0/0的结果是nan，nan的意思是not a number，其它非0常数除以0的结果是inf(infinite即无穷的意思)

D:pythonpython.exe F:/data_analysis/numpy_calculation.pyF:/data_analysis/numpy_calculation.py:7: RuntimeWarning: divide by zero encountered in true_divide t3=t2/0F:/data_analysis/numpy_calculation.py:7: RuntimeWarning: invalid value encountered in true_divide t3=t2/0[[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23]]----------[[nan inf inf inf inf inf] [inf inf inf inf inf inf] [inf inf inf inf inf inf] [inf inf inf inf inf inf]]进程已结束，退出代码 0

2.数组与数组进行计算时，是广播机制，数组的每个值都进行计算

2-0当数组的维度不一样时，就会报错

但是也有特殊情况：

2-1当两个数组形状完全一样时，对应位置的数字相加。

import numpy as npt1=np.arange(24)t2=t1.reshape((4,6))print(t2)print("----------")t3=np.arange(100,124).reshape(4,6)print(t3+t2)

运行结果：

D:pythonpython.exe F:/data_analysis/numpy_calculation.py[[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23]]----------[[100 102 104 106 108 110] [112 114 116 118 120 122] [124 126 128 130 132 134] [136 138 140 142 144 146]]进程已结束，退出代码 0

2-2当两个数组的行数相同时，对应的行进行相应的操作

import numpy as npt1=np.arange(24)t2=t1.reshape((4,6))print(t2)print("----------")t3=np.arange(0,6)print(t3+t2)

运行结果：

D:pythonpython.exe F:/data_analysis/numpy_calculation.py[[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23]]----------[[ 0 2 4 6 8 10] [ 6 8 10 12 14 16] [12 14 16 18 20 22] [18 20 22 24 26 28]]进程已结束，退出代码 0

2-3当两个数组的列数相同时，对应的列进行相应的操作

import numpy as npt1=np.arange(24)t2=t1.reshape((4,6))print(t2)print("----------")t3=np.arange(0,4).reshape((4,1))print(t3+t2)

运行结果：

D:pythonpython.exe F:/data_analysis/numpy_calculation.py[[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23]]----------[[ 0 1 2 3 4 5] [ 7 8 9 10 11 12] [14 15 16 17 18 19] [21 22 23 24 25 26]]进程已结束，退出代码 0

数组与数组计算总结：

shape为(3，3，3)的不能够和(3，2)的进行计算；

shape为(3，3，2)的能够和(3，2)的进行计算，因为(3，3，2)后维度是3，2，所以可以和shape为(3，2)的进行计算。

广播原则下的例子：

求数组的行或列的和

import numpy as npt1=np.arange(24)t2=t1.reshape((4,6))print(t2)print("*"*50)#对数组的行求和print(np.sum(t2,axis=0))print("*"*50)#对数组的列求和print(np.sum(t2,axis=1))

运行结果：

D:pythonpython.exe F:/data_analysis/test.py[[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23]]**************************************************[36 40 44 48 52 56]**************************************************[ 15 51 87 123]进程已结束，退出代码 0

numpy的统计函数

里面的求和函数除了t.num(),还可以用numpy.sum(t)