Numpy的理解与应用（二）

NumPy中的运算可以理解为三个部分：通用运算、数学运算、线性代数。下面将分别介绍。
一、通用运算
这部分有位运算和字符串运算。
1、位运算
NumPy中的位运算是基于对象的二进制来进行操作的，主要有以下函数：
1）bin()函数和binary_repr()函数
bin()函数返回一个数的真值：即包含符号的二进制；binary_repr()函数返回一个数的补码，可以调整宽度。由于计算机的运算是基于补码的运算，这个函数的用处是很大的。

np.binary_repr(-1,width = 8)
Out[27]: '11111111'

2）对数组元素执行“位与（bitwise_and）”或者“位或（bitwise_or）”操作

import numpy as np
print('9和17的二进制形式：')
a,b=9,17
print(bin(a),bin(b))
print('\n')
print('9和17的位与：')
print(np.bitwise_and(9,17))
print('9和17的位或：')
print(np.bitwise_or(9,17))

运行结果是：

9和17的二进制形式：
0b1001 0b10001


9和17的位与：
1
9和17的位或：
25

下表是二进制的与/或操作：

3)对数组中整数进行位取反运算，即0变成1，1变成0.使用invert()函数
注：对于有符号整数，取该二进制数的补码，然后逐位取反操作。
正数的取反操作是可逆的，负数的取反操作不可逆。并且，运算的结果与二进制的位数相关。
正数的反转：

print('9的位反转，其中的ndarray的dtype是uint8:')
print(np.invert(np.array([9],dtype=np.uint8)))
print(np.invert(np.array([246],dtype=np.uint8)))
运行结果：
9的位反转，其中的ndarray的dtype是uint8:
[246]
[9]

查看真值与补码：

print(np.binary_repr(9,width = 8))
print(bin(9))
print(np.binary_repr(246,width = 8))
print(bin(246))
运行结果：
00001001
0b1001
11110110
0b11110110

负数的反转：

print('-9的位反转，其中的ndarray的dtype是uint8:')
print(np.invert(np.array([-9],dtype=np.uint8)))
运行结果：
-9的位反转，其中的ndarray的dtype是uint8:
[8]

同样查看真值与补码：

print(np.binary_repr(-9,width = 8))
print(bin(-9))
print(np.binary_repr(8,width = 8))
print(bin(8))
运行结果：
11110111
-0b1001
00001000
0b1000

2、字符串函数
NumPy中的字符串函数用于对 dtype 为 numpy.string_ 或 numpy.unicode_ 的数组执行向量化字符串操作，主要有以下函数：

函数	描述
add()	对两个数组的逐个字符串元素进行连接
multiply()	multiply() 返回按元素多重连接后的字符串
center()	居中字符串
capitalize()	将字符串第一个字母转换为大写
title()	将字符串的每个单词的第一个字母转换为大写
lower()	数组元素转换为小写
upper()	数组元素转换为大写
split()	指定分隔符对字符串进行分割，并返回数组列表
splitlines()	返回元素中的行列表，以换行符分割
strip()	移除元素开头或者结尾处的特定字符
join()	通过指定分隔符来连接数组中的元素
replace()	使用新字符串替换字符串中的所有子字符串
decode()	数组元素依次调用str.decode
encode()	数组元素依次调用str.encode

二、数学运算
数学运算以函数的形式来实现数学方面的计算功能，主要的模块如下：
1、基础运算

以下以三角函数和反三角函数举例：（计算结果可能受三角函数的性质影响）

import numpy as np
a=np.array([0,30,45,60,70,80])
print('含有正弦值的数组')
sin=np.sin(a*np.pi/180)
print(sin)
print('\n')
print('计算角度的反正弦，返回值以弧度为单位：')
inv1=np.arcsin(sin)
print(inv1)
print('\n')
print('通过转化为角度制来检查结果：')
print(np.degrees(inv1))
print('\n')
print('arccos和arctan函数类似：')
cos=np.cos(a*np.pi/180)
print(cos)
print('\n')
print('反余弦：')
inv2=np.arccos(cos)
print(inv2)
print('\n')
print('角度制单位： ')
print(np.degrees(inv2))
print('\n')
print('tan函数')
tan=np.tan(a*np.pi/180)
print(tan)
print('\n')
print('反正切:')
inv3=np.arctan(tan)
print(inv3)
print('\n')
print('角度制单位： ')
print(np.degrees(inv3))

运行结果是：

含有正弦值的数组
[0.         0.5        0.70710678 0.8660254  0.93969262 0.98480775]


计算角度的反正弦，返回值以弧度为单位：
[0.         0.52359878 0.78539816 1.04719755 1.22173048 1.3962634 ]


通过转化为角度制来检查结果：
[ 0. 30. 45. 60. 70. 80.]


arccos和arctan函数类似：
[1.         0.8660254  0.70710678 0.5        0.34202014 0.17364818]


反余弦：
[0.         0.52359878 0.78539816 1.04719755 1.22173048 1.3962634 ]


角度制单位： 
[ 0. 30. 45. 60. 70. 80.]


tan函数
[0.         0.57735027 1.         1.73205081 2.74747742 5.67128182]


反正切:
[0.         0.52359878 0.78539816 1.04719755 1.22173048 1.3962634 ]


角度制单位： 
[ 0. 30. 45. 60. 70. 80.]

2、算术函数

以下以加减乘除为例，说明：
i、在numpy中的算术函数中，涉及维度不同的数组，广播功能可自动执行，并且行、列均可自动广播
Ii、在numpy中的算术函数中，算术函数是对于每个数组相同索引部分的数值分别操作，并且将结果以同样的shape返回。

a=np.arange(9,dtype=np.float_).reshape(3,3)
print('第一个数组:')
print(a)
print('\n')
print('第二个数组')
b=np.array([[7],[8],[9]])
print(b)
print('\n')
print('两个数组相加')
print(np.add(a,b))
print('\n')
print('两个数组相减')
print(np.subtract(a,b))
print('\n')
print('两个数组相乘')
print(np.multiply(a,b))
print('\n')
print('两个数组相除')
print(np.divide(a,b))

运行结果为

第一个数组:
[[0. 1. 2.]
 [3. 4. 5.]
 [6. 7. 8.]]


第二个数组
[[7]
 [8]
 [9]]


两个数组相加
[[ 7.  8.  9.]
 [11. 12. 13.]
 [15. 16. 17.]]


两个数组相减
[[-7. -6. -5.]
 [-5. -4. -3.]
 [-3. -2. -1.]]


两个数组相乘
[[ 0.  7. 14.]
 [24. 32. 40.]
 [54. 63. 72.]]


两个数组相除
[[0.         0.14285714 0.28571429]
 [0.375      0.5        0.625     ]
 [0.66666667 0.77777778 0.88888889]]

3、统计函数

以下举一个基本的描述性统计为例（在pandas中，基本的描述性统计可以有更简单的方法）

import numpy as np
a=np.arange(0,30,2).reshape(3,5)
print('我们的数组是：')
print(a)
print('极差是(ptp()函数)')
print(np.ptp(a))
print('横轴的极差')
print(np.ptp(a,axis=1))
print('\n')
print('纵轴的极差')
print(np.ptp(a,axis=0))
print('\n')
print('横轴均值（调用mean()函数）')
print(np.mean(a,axis=1))
print('\n')
print('横轴中位数（调用median()）')
print(np.median(a,axis=1))
print('横轴标准差（调用std()）')
print(np.std(a,axis=1))
print('\n')
print('横轴百分位数(调用percentile())')
print(np.percentile(a,50,axis=1))

运行结果是：

我们的数组是：
[[ 0  2  4  6  8]
 [10 12 14 16 18]
 [20 22 24 26 28]]
极差是(ptp()函数)
28
横轴的极差
[8 8 8]


纵轴的极差
[20 20 20 20 20]


横轴均值（调用mean()函数）
[ 4. 14. 24.]


横轴中位数（调用median()）
[ 4. 14. 24.]
横轴标准差（调用std()）
[2.82842712 2.82842712 2.82842712]


横轴百分位数(调用percentile())
[ 4. 14. 24.]

4、排序函数

注：此处不涉及排序的具体算法
以对单一数组进行排序为例说明

a=np.array([[1,9,2,10],[3,18,24,6]])
print('我们的数组是')
print(a)
print('\n')
print('整体排序')
print(np.sort(a))
print('\n')
print('横轴排序')
print(np.sort(a,axis=1))
print('\n')
print('排序后的索引（整体排序）')
y=np.argsort(a)
print(y)
print('\n')
print('使用循环重构原数组')
for i in y[0]:
    print(a[0][i],end=" ")
print('\n')
for j in y[1]:
    print(a[1][j],end=" ")
print('\n')
print('按位置排序，原数组是')
print(a)
print('排序后的结果')
print(np.partition(a,1,axis=1))
print('位置排序后的新的索引')
np.argpartition(a,1,axis=1)

运行结果是：

我们的数组是
[[ 1  9  2 10]
 [ 3 18 24  6]]


整体排序
[[ 1  2  9 10]
 [ 3  6 18 24]]


横轴排序
[[ 1  2  9 10]
 [ 3  6 18 24]]


排序后的索引（整体排序）
[[0 2 1 3]
 [0 3 1 2]]


使用循环重构原数组
1 2 9 10 

3 6 18 24 

按位置排序，原数组是
[[ 1  9  2 10]
 [ 3 18 24  6]]
排序后的结果
[[ 1  2  9 10]
 [ 3  6 24 18]]
位置排序后的新的索引
Out[64]: 
array([[0, 2, 1, 3],
       [0, 3, 2, 1]], dtype=int64)

5、筛选函数