numpy常见函数整理

numpy常见函数整理

函数说明
abs、fabs计算整数、浮点数或复数的绝对值。对于非复数值,使用fabs可以更快计算
sqrt计算数组各元素的平方根。
square计算数组各元素的平方。
exp计算各元素的指数ex。
log、log10、log2、log1p分别计算自然对数(底数为e)、底数为10的log、底数为2的log以及底数为e的log(1+x)。
sign计算数组各元素的正负号:1(正数)、0(零)、-1(负数)。
ceil取数组各元素大于等于该值的最小整数,相当于对各元素向上取整
floor取数组各元素小于等于该值的最大整数,相当于对各元素向下取整
rint将各元素值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返回一个表示“哪些值是NaN”的布尔型数组
isfinite、isinf返回一个表示“哪些元素值是有穷的”、“哪些元素值是无穷的”布尔型数组
cos、sin、tan返回分别一个数组各元素的余弦、正弦和正切数组
add将数组中对应元素相加
subtract从第一个数组中减去第二个数组的元素
multiply数组元素相乘
divide、floor_divide数组的除法、忽略余数的除法
power对第一个数组中的元素A和第二个数组中相同位置的元素B计算AB后,放到对应位置上
maximum、fmax元素级的最大值计算。fmax将忽略NaN
minimum、fmin元素级的最小值计算。fmin将忽略NaN
mod元素级的求模运算
copysign将第二个数组中的值的符号复制给第一个数组中的值
greater、greater_equal、less、less_equal、equal、not_equal执行元素级的比较运算,返回布尔型的数组。对应运算符>、≥、<、≤、==、!=
logical_and、logical_or、logical_xor执行元素级的真值逻辑运算。对应运算符&、
np.where(cond, xarr, yarr)x if condition else y的矢量化,当cond中的值为True时选取xarr的值,否则选yarr的值
array.mean()对数组中全部元素或者某轴向求算数平均。用axis指定轴向
array.sum()对数组中全部元素或者某轴向求算数平均。用axis指定轴向
array.std()、array.var()对数组中全部元素求标准差和方差
array.min()、array.max()求数组中元素的最小值和最大值
array.argmin() array.argmax()返回元素中最小值和最大值的索引号
array.cumsum()、array.cumprod()计算数组中元素的累计和、累计积
bools_arr.all()、bools_arr.any()检查布尔型数组中是否全是True或者至少有一个是True
array.sort()对数组进行从小到大排序
np.unique(x)、np.intersect1d(x,y)计算x中的唯一元素,并返回有序结果、计算x和y中的交集,并返回有序结果
np.union1d(x,y)计算x和y的并集,并返回有序结果
np.in1d(x,y)返回一个表示“x的元素是否包含于y”的布尔型数组
np.setdiff1d(x,y)两个集合的差,即元素在x中但不在y中
np.squeeze从数组的形状中删除单维度条目,即把shape中为1的维度去掉
np.transpose相当于数学中的转置,在矩阵中,转置就是把行与列相互调换位置

参考文章:https://www.cnblogs.com/morvan/p/11134779.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
NumPy是一个功能强大的Python库,主要用于对多维数组执行计算。它的使用可以使代码更简洁,并且具有一些特性,如向量化操作,可以加速计算过程。在NumPy中,最重要的数据结构是NumPy数组,它可以通过不同的方法进行创建。 创建一维NumPy数组的常见方法有以下几种: 1. 使用np.array()函数,传入一个列表作为参数,例如: my_array = np.array([1, 2, 3, 4, 5]) 2. 使用np.array()函数,传入一个元组作为参数,例如: my_array2 = np.array((0, 1, 2, 3, 4)) 3. 使用np.arange()函数,该函数类似于内置函数range(),返回一个数组而不是列表,例如: my_array3 = np.arange(5) 4. 使用np.linspace()函数,该函数返回一个包含指定数量元素的数组,而不是指定步长(step),例如: my_array4 = np.linspace(0, 2*np.pi, 5) 这些方法可以用来创建不同类型的一维NumPy数组。通过打印数组可以查看创建的结果。在使用NumPy之前,需要导入NumPy库,可以使用import numpy as np语句进行导入。 NumPy还可以用于执行各种数学任务,如数值积分、微分、内插、外推等,以及快速处理图像等。因此,在机器学习中,NumPy常被用于存储训练数据和机器学习模型的参数,以及进行简单和快速的计算。 总结起来,NumPy提供了丰富的功能和优秀的库函数,使得在Python中进行数值计算变得更加方便和高效。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [python科学计算的基本包-Python科学计算基本包Numpy使用的教程.pdf](https://download.csdn.net/download/qq_43934844/87898289)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [numpy基础语法整理](https://blog.csdn.net/weixin_61890283/article/details/124596265)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值