接上一篇
In [1]:
%matplotlib inline
In [2]:
from numpy.random import randn
import numpy as np
np.set_printoptions(precision=4, suppress=True) # 设置屏幕输出的格式，精度，小数点后保留的位数
2.数组的元素级通用函数
numpy提供的通用函数，可以直接对数组的每个元素进行计算处理，不用循环。使用方法也很简单：
import numpy as np
np.函数名(数组1, 数组2, ...)
常用的一元函数，即只对一个数组进行运算的函数：
| 类型 | 说明 |
|---|---|
| abs、fabs | 计算整数、浮点数或复数的绝对值。对于非复数值，可以使用更快的fabs |
| sqrt | 计算各元素的平方根。相当于arr**0.5 |
| square | 计算各元素的平方。相当于arr**2 |
| exp | 计算各元素的指数ex |
| log、Iog10、log2、loglp | 分别为自然对数（底数为e)、底数为10的log、底数为2的log、log(1+X) |
| sign | 计算各元素的正负号：1(正数）、0(零）、一1(负数） |
| ceil | 计算各元素的“天花板”值，即大于等于所有元素的最小整数 |
| floor | 计算各元素的“地板”值，即小于等于所有元素的最大整数 |
| 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(这不是一个数字）”的布尔型数组 |
| isfinite、isinf | 分别返回一个表示“哪些元素是有穷的（非inf,非NaN)”或“哪些元素是无穷的”的布尔型数组 |
| cos,cosh,sin,sinh,tan,tanh | 普通型和双曲型三角函数 |
常用的二元函数，即对两个以上的数组进行运算的函数：
| 类型 | 说明 |
|---|---|
| add | 将数组中对应的元素相加 |
| subtract | 从第一个数组中减去第二个数组中的元素 |
| multiply | 数组元素相乘 |
| divide、floor_divide | 除法或向下圆整除法（丢弃余数） |
| power | 对第一个数组中的元素A，根据第二个数组中的相应元素B，计算A的B次方 |
| maximum、fmax | 对应元素级的最大值计算。fmax将忽略NaN空值 |
| minimum、fmin | 对应元素级的最小值计算。fmin将忽略NaN空值 |
| mod | 元素级的求模计算（除法的余数） |
In [3]:
arr = np.arange(10)
arr
Out[3]:
In [4]:
np.sqrt(arr)
Out[4]:
In [5]:
np.exp(arr)
Out[5]:
In [6]:
arr1 = randn(8)
arr2 = randn(8)
print(arr1)
print(arr2)
In [7]:
np.maximum(arr1, arr2) # 参数包括两个数组，取两个数组对应的元素中更大的那个。
Out[7]:
In [8]:
arr = randn(7) * 5
print(arr)
np.modf(arr) # 返回两个数组，分别是 源数组各个元素的整数和小数部分
Out[8]:
3. 使用数组进行数据处理
3.1 数学统计方法
求数组的均值和求和。可以用python内置的函数，也可以用NumPy提供的API。
In [9]:
arr = np.random.randn(5, 4) # normally-distributed data
arr
Out[9]:
In [10]:
arr.mean()
Out[10]:
In [11]:
np.mean(arr)
Out[11]:
In [12]:
arr.sum()
Out[12]:
In [13]:
np.sum(arr)
Out[13]:
对于二维以上的数组，可以按某个轴向进行数学统计计算。
In [14]:
arr.mean(axis=1) # 对于二维数组，axis=0表示按列求均值，axis=1表示按行求均值
Out[14]:
In [15]:
arr.mean(1) # 也可以不显式地指定axis，直接用一个整数表示按某个轴进行计算
Out[15]:
In [16]:
arr[0].mean()
Out[16]:
In [17]:
arr.sum(axis=0) # 对于二维数组，axis=0表示按列求均值，axis=1表示按行求均值
Out[17]:
In [18]:
arr.sum(0) # 也可以不显式地指定axis，直接用一个整数表示按某个轴进行计算
Out[18]:
In [19]:
arr = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8]])
arr
Out[19]:
In [20]:
arr.cumsum(axis=0) # 按列累计求和
Out[20]:
In [21]:
arr.cumprod(1) # 按行累计求积
Out[21]:
3.2 布尔型数组的方法
In [22]:
arr = randn(10)
arr
Out[22]:
In [23]:
(arr > 0).sum() # arr中正数有多少个
Out[23]:
In [24]:
bools = np.array([False, False, True, False])
bools.any() #布尔数组中是否存在一个或多个True
Out[24]:
In [25]:
bools.all() # 布尔数组中是否全都是 True
Out[25]:
any()和all()方法用于非布尔型数组时，所有非零的元素都被当作True，零元素是False
3.3 排序
In [26]:
arr = randn(10)
arr
Out[26]:
数组调用sort方法排序后，会把原数组修改为排序后的样子。
In [27]:
arr.sort()
arr
Out[27]:
使用NumPy的sort方法，产生的是一个排序后的副本，没有对原数组进行修改。这与前面的方法完全不同，可以应用在不同的场合，要特别注意。
In [28]:
arr1 = randn(8)
arr1
Out[28]:
In [29]:
np.sort(arr1) #产生了一个排序后的视图，没有修改原数组arr1
Out[29]:
In [30]:
arr1
Out[30]:
对于二维数组，也可以像前面类似的，针对某个轴向进行排序
In [31]:
arr2d = randn(5, 3)
arr2d
Out[31]:
In [32]:
arr2d.sort(1) #所有的行都重新排序了
arr2d
Out[32]:
3.4 将条件运算转化为数组运算
在Python基础中，我们学习过三元表达式: value1 if condition else value2，把一个条件判断结构转化为一个语句。在NumPy中，有一个where()方法，把条件运算，转化为一个数组运算
以下例子：xarr、yarr、cond三个数组的元素是有对应关系的，要求根据cond中的布尔值，选择对应的xarr和yarr中的元素。当cond的元素为True时，选xarr的对应元素，否则选yarr中的对应元素
In [33]:
arr1 = np.array([1.1, 1.2, 1.3, 1.4, 1.5])
arr2 = np.array([2.1, 2.2, 2.3, 2.4, 2.5])
cond = np.array([True, False, True, True, False])
In [34]:
result = np.where(cond, arr1, arr2)
result
Out[34]:
where()方法中第二个和第三个参数，可以不是数组，而是标量数值
In [35]:
arr = randn(4, 4)
arr
Out[35]:
In [36]:
np.where(arr > 0, 2, -2)
Out[36]:
In [37]:
np.where(arr > 0, 2, arr) # 把大于零的元素都修改为2
Out[37]:
4. 线性代数
单位矩阵
In [38]:
np.eye(4)
Out[38]:
矩阵的乘法(点积)
In [39]:
x = np.array([[1., 2., 3.], [4., 5., 6.]])
x
Out[39]:
In [40]:
y = np.array([[6., 23.], [-1, 7], [8, 9]])
y
Out[40]:
In [41]:
x.dot(y) # 相当于 np.dot(x, y)
Out[41]:
In [42]:
np.dot(x, np.ones(3)) # 相当于 x.dot(ones(3))
Out[42]:
矩阵的转置
In [43]:
x.T
Out[43]:
求逆矩阵
In [44]:
z = np.array([[1, 2],[4, 5]])
z
Out[44]:
In [45]:
z1 = np.linalg.inv(z)
z1
Out[45]:
In [46]:
np.dot(z, z1)
Out[46]:
1008
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
