我的Python学习笔记(七)从数组形状到ufuncs

1).NumPy 数组形状

数组的形状

数组的形状是每个维中元素的数量。

获取数组的形状

NumPy 数组有一个名为 shape 的属性，该属性返回一个元组，每个索引具有相应元素的数量。

实例

打印 2-D 数组的形状：

import numpy as np

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

print(arr.shape   #(2, 4))

上面的例子返回 (2, 4)，这意味着该数组有 2 个维，每个维有 4 个元素。

实例

利用 ndmin 使用值 1,2,3,4 的向量创建有 5 个维度的数组，并验证最后一个维度的值为 4：

import numpy as np

arr = np.array([1, 2, 3, 4], ndmin=5)

print(arr)
print('shape of array :', arr.shape) #shape of array : (1, 1, 1, 1, 4)

元组的形状代表什么？

每个索引处的整数表明相应维度拥有的元素数量。

上例中的索引 4，我们的值为 4，因此可以说第 5 个 ( 4 + 1 th) 维度有 4 个元素。

2).NumPy 数组重塑

数组重塑

重塑意味着更改数组的形状。

数组的形状是每个维中元素的数量。

通过重塑，我们可以添加或删除维度或更改每个维度中的元素数量。

从 1-D 重塑为 2-D

实例

将以下具有 12 个元素的 1-D 数组转换为 2-D 数组。

最外面的维度将有 4 个数组，每个数组包含 3 个元素：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])

newarr = arr.reshape(4, 3)

print(newarr)
#[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

从 1-D 重塑为 3-D

实例

将以下具有 12 个元素的 1-D 数组转换为 3-D 数组。

最外面的维度将具有 2 个数组，其中包含 3 个数组，每个数组包含 2 个元素：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])

newarr = arr.reshape(2, 3, 2)

print(newarr)
#[[[ 1  2]
  [ 3  4]
  [ 5  6]]

我们可以重塑成任何形状吗？

是的，只要重塑所需的元素在两种形状中均相等。

我们可以将 8 元素 1D 数组重塑为 2 行 2D 数组中的 4 个元素，但是我们不能将其重塑为 3 元素 3 行 2D 数组，因为这将需要 3x3 = 9 个元素。

实例

尝试将具有 8 个元素的 1D 数组转换为每个维度中具有 3 个元素的 2D 数组（将产生错误）：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])

newarr = arr.reshape(3, 3)

print(newarr)
#

Traceback (most recent call last):
  File "demo_python_numpy_array_reshape_error.py", line 5, in <module>
ValueError: cannot reshape array of size 8 into shape (3,3)

返回副本还是视图？

实例

检查返回的数组是副本还是视图：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])

print(arr.reshape(2, 4).base)
#[1 2 3 4 5 6 7 8]

未知的维

您可以使用一个“未知”维度。

这意味着您不必在 reshape 方法中为维度之一指定确切的数字。

传递 -1 作为值，NumPy 将为您计算该数字。

实例

将 8 个元素的 1D 数组转换为 2x2 元素的 3D 数组：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])

newarr = arr.reshape(2, 2, -1)

print(newarr)
#[[[1 2]
  [3 4]]

 [[5 6]
  [7 8]]]

展平数组

展平数组（Flattening the arrays）是指将多维数组转换为 1D 数组。

我们可以使用 reshape(-1) 来做到这一点。

实例

把数组转换为 1D 数组：

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])

newarr = arr.reshape(-1)

print(newarr)  #[1 2 3 4 5 6]

注释：有很多功能可以更改 numpy flatten、ravel 中数组形状，还可以重新排列元素 rot90、flip、fliplr、flipud 等。这些功能属于 numpy 的中级至高级部分。

NumPy 数组迭代

• NumPy 数组重塑
• NumPy 数组连接

3).数组迭代

迭代意味着逐一遍历元素。

当我们在 numpy 中处理多维数组时，可以使用 python 的基本 for 循环来完成此操作。

如果我们对 1-D 数组进行迭代，它将逐一遍历每个元素。

实例

迭代以下一维数组的元素：

import numpy as np

arr = np.array([1, 2, 3])

for x in arr:
  print(x)
#
1
2
3

迭代 2-D 数组

在 2-D 数组中，它将遍历所有行。

实例

迭代以下二维数组的元素：

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])

for x in arr:
  print(x)
#[1 2 3]
[4 5 6]

如果我们迭代一个 n-D 数组，它将逐一遍历第 n-1 维。

如需返回实际值、标量，我们必须迭代每个维中的数组。

实例

迭代 2-D 数组的每个标量元素：

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])

for x in arr:
  for y in x:
    print(y)
#1
2
3
4
5
6

迭代 3-D 数组

在 3-D 数组中，它将遍历所有 2-D 数组。

实例

迭代以下 3-D 数组的元素：

import numpy as np

arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])

for x in arr:
  print("x represents the 2-D array:")
  print(x)
#x represents the 2-D array:
[[1 2 3]
 [4 5 6]]
x represents the 2-D array:
[[ 7  8  9]
 [10 11 12]]

要返回实际值、标量，我们必须迭代每个维中的数组。

实例

迭代到标量：

import numpy as np

arr = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])

for x in arr:
  for y in x:
    for z in y:
      print(z)
#1
2
3
4
5
6
7
8
9
10
11
12

使用 nditer() 迭代数组

函数 nditer() 是一个辅助函数，从非常基本的迭代到非常高级的迭代都可以使用。它解决了我们在迭代中面临的一些基本问题，让我们通过例子进行介绍。

迭代每个标量元素

在基本的 for 循环中，迭代遍历数组的每个标量，我们需要使用 n 个 for 循环，对于具有高维数的数组可能很难编写。

实例

遍历以下 3-D 数组：

import numpy as np

arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

for x in np.nditer(arr):
  print(x)
#1
2
3
4
5
6
7
8

迭代不同数据类型的数组

我们可以使用 op_dtypes 参数，并传递期望的数据类型，以在迭代时更改元素的数据类型。

NumPy 不会就地更改元素的数据类型（元素位于数组中），因此它需要一些其他空间来执行此操作，该额外空间称为 buffer，为了在 nditer() 中启用它，我们传参 flags=['buffered']。

实例

以字符串形式遍历数组：

import numpy as np

arr = np.array([1, 2, 3])

for x in np.nditer(arr, flags=['buffered'], op_dtypes=['S']):
  print(x)
#b'1'
b'2'
b'3'

以不同的步长迭代

我们可以使用过滤，然后进行迭代。

实例

每遍历 2D 数组的一个标量元素，跳过 1 个元素：

import numpy as np

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

for x in np.nditer(arr[:, ::2]):
  print(x)
#1
3
5
7

使用 ndenumerate() 进行枚举迭代

枚举是指逐一提及事物的序号。

有时，我们在迭代时需要元素的相应索引，对于这些用例，可以使用 ndenumerate() 方法。

实例

枚举以下 1D 数组元素：

import numpy as np

arr = np.array([1, 2, 3])

for idx, x in np.ndenumerate(arr):
  print(idx, x)
#(0,) 1
(1,) 2
(2,) 3

实例

枚举以下 2D 数组元素：

import numpy as np

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

for idx, x in np.ndenumerate(arr):
  print(idx, x)
#(0, 0) 1
(0, 1) 2
(0, 2) 3
(0, 3) 4
(1, 0) 5
(1, 1) 6
(1, 2) 7
(1, 3) 8

4).NumPy 数组连接

• NumPy 数组迭代
• NumPy 数组拆分

连接 NumPy 数组

连接意味着将两个或多个数组的内容放在单个数组中。

在 SQL 中，我们基于键来连接表，而在 NumPy 中，我们按轴连接数组。

我们传递了一系列要与轴一起连接到 concatenate() 函数的数组。如果未显式传递轴，则将其视为 0。

实例

连接两个数组：

import numpy as np

arr1 = np.array([1, 2, 3])

arr2 = np.array([4, 5, 6])

arr = np.concatenate((arr1, arr2))

print(arr)   #[1 2 3 4 5 6]

实例

沿着行 (axis=1) 连接两个 2-D 数组(或许axis可以理解为列，这里值为1，可能是分为1列)：

import numpy as np

arr1 = np.array([[1, 2], [3, 4]])

arr2 = np.array([[5, 6], [7, 8]])

arr = np.concatenate((arr1, arr2), axis=1)

print(arr)
#[[1 2 5 6]
 [3 4 7 8]]

使用堆栈函数连接数组

堆栈与级联相同，唯一的不同是堆栈是沿着新轴完成的。

我们可以沿着第二个轴连接两个一维数组，这将导致它们彼此重叠，即，堆叠（stacking）。

我们传递了一系列要与轴一起连接到 concatenate() 方法的数组。如果未显式传递轴，则将其视为 0。

实例

import numpy as np

arr1 = np.array([1, 2, 3])

arr2 = np.array([4, 5, 6])

arr = np.stack((arr1, arr2), axis=1)

print(arr)
#[[1 4]
 [2 5]
 [3 6]]

沿行堆叠

NumPy 提供了一个辅助函数：hstack() 沿行堆叠。

实例

import numpy as np

arr1 = np.array([1, 2, 3])

arr2 = np.array([4, 5, 6])

arr = np.hstack((arr1, arr2))

print(arr) #[1 2 3 4 5 6]

沿列堆叠

NumPy 提供了一个辅助函数：vstack() 沿列堆叠。

实例

import numpy as np

arr1 = np.array([1, 2, 3])

arr2 = np.array([4, 5, 6])

arr = np.vstack((arr1, arr2))

print(arr)
#[[1 2 3]
  [4 5 6]]

沿高度堆叠（深度）

NumPy 提供了一个辅助函数：dstack() 沿高度堆叠，该高度与深度相同。

实例

import numpy as np

arr1 = np.array([1, 2, 3])

arr2 = np.array([4, 5, 6])

arr = np.dstack((arr1, arr2))

print(arr)
#[[[1 4]
   [2 5]
   [3 6]]]

5).NumPy 数组拆分

• NumPy 数组连接
• NumPy 数组搜索

拆分 NumPy 数组

拆分是连接的反向操作。

连接（Joining）是将多个数组合并为一个，拆分（Spliting）将一个数组拆分为多个。

我们使用 array_split() 分割数组，将要分割的数组和分割数传递给它。

实例

将数组分为 3 部分：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6])

newarr = np.array_split(arr, 3)

print(newarr)#[array([1, 2]), array([3, 4]), array([5, 6])]

注释：返回值是一个包含三个数组的数组。

如果数组中的元素少于要求的数量，它将从末尾进行相应调整。

实例

将数组分为 4 部分：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6])

newarr = np.array_split(arr, 4)

print(newarr)#[array([1, 2]), array([3, 4]), array([5]), array([6])]

提示：我们也有 split() 方法可用，但是当源数组中的元素较少用于拆分时，它将不会调整元素，如上例那样，array_split() 正常工作，但 split() 会失败。

拆分为数组

array_split() 方法的返回值是一个包含每个分割的数组。

如果将一个数组拆分为 3 个数组，则可以像使用任何数组元素一样从结果中访问它们：

实例

访问拆分的数组：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6])

newarr = np.array_split(arr, 3)

print(newarr[0])
print(newarr[1])
print(newarr[2])
#[1 2]
[3 4]
[5 6]

分割二维数组

拆分二维数组时，请使用相同的语法。

使用 array_split() 方法，传入要分割的数组和想要分割的数目。

实例

把这个 2-D 拆分为三个 2-D 数组。

import numpy as np

arr = np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10], [11, 12]])

newarr = np.array_split(arr, 3)

print(newarr)
#[array([[1, 2],
       [3, 4]]), array([[5, 6],
       [7, 8]]), array([[ 9, 10],
       [11, 12]])]

上例返回三个 2-D 数组。

让我们看另一个例子，这次 2-D 数组中的每个元素包含 3 个元素。

实例

把这个 2-D 拆分为三个 2-D 数组。

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15], [16, 17, 18]])

newarr = np.array_split(arr, 3)

print(newarr)
#[array([[1, 2, 3],
       [4, 5, 6]]), array([[ 7,  8,  9],
       [10, 11, 12]]), array([[13, 14, 15],
       [16, 17, 18]])] 

上例返回三个 2-D 数组。

此外，您可以指定要进行拆分的轴。

下面的例子还返回三个 2-D 数组，但它们沿行 (axis=1) 分割，这里的axis可理解为1列。

实例

沿行把这个 2-D 拆分为三个 2-D 数组。

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15], [16, 17, 18]])

newarr = np.array_split(arr, 3, axis=1)

print(newarr)
#[array([[ 1],
       [ 4],
       [ 7],
       [10],
       [13],
       [16]]), array([[ 2],
       [ 5],
       [ 8],
       [11],
       [14],
       [17]]), array([[ 3],
       [ 6],
       [ 9],
       [12],
       [15],
       [18]])]

另一种解决方案是使用与 hstack() 相反的 hsplit()。

实例

使用 hsplit() 方法将 2-D 数组沿着行分成三个 2-D 数组。

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15], [16, 17, 18]])

newarr = np.hsplit(arr, 3)

print(newarr)
#[array([[ 1],
       [ 4],
       [ 7],
       [10],
       [13],
       [16]]), array([[ 2],
       [ 5],
       [ 8],
       [11],
       [14],
       [17]]), array([[ 3],
       [ 6],
       [ 9],
       [12],
       [15],
       [18]])]

提示：vsplit() 和 dsplit() 可以使用与 vstack() 和 dstack() 类似的替代方法。

6).NumPy 数组搜索

搜索数组

您可以在数组中搜索（检索）某个值，然后返回获得匹配的索引。

要搜索数组，请使用 where() 方法。

实例

查找值为 4 的索引：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 4, 4])

x = np.where(arr == 4)

print(x)  #(array([3, 5, 6], dtype=int64),)

上例会返回一个元组：(array([3, 5, 6],)

意思就是值 4 出现在索引 3、5 和 6。

实例

查找值为偶数的索引：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])

x = np.where(arr%2 == 0)

print(x)

实例

查找值为奇数的索引：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])

x = np.where(arr%2 == 1)

print(x)

搜索排序

有一个名为 searchsorted() 的方法，该方法在数组中执行二进制搜索，并返回将在其中插入指定值以维持搜索顺序的索引。

假定 searchsorted() 方法用于排序数组。

实例

查找应在其中插入值 7 的索引：

import numpy as np

arr = np.array([6, 7, 8, 9])

x = np.searchsorted(arr, 7)

print(x)#1

例子解释：应该在索引 1 上插入数字 7，以保持排序顺序。

该方法从左侧开始搜索，并返回第一个索引，其中数字 7 不再大于下一个值。

从右侧搜索

默认情况下，返回最左边的索引，但是我们可以给定 side='right'，以返回最右边的索引。

实例

从右边开始查找应该插入值 7 的索引：

import numpy as np

arr = np.array([6, 7, 8, 9])

x = np.searchsorted(arr, 7, side='right')

print(x)

例子解释：应该在索引 2 上插入数字 7，以保持排序顺序。

该方法从右边开始搜索，并返回第一个索引，其中数字 7 不再小于下一个值。

多个值

要搜索多个值，请使用拥有指定值的数组。

实例

查找应在其中插入值 2、4 和 6 的索引：

import numpy as np

arr = np.array([1, 3, 5, 7])

x = np.searchsorted(arr, [2, 4, 6])

print(x) #[1 2 3]

返回值是一个数组：[1 2 3] 包含三个索引，其中将在原始数组中插入 2、4、6 以维持顺序。

7).NumPy 数组排序

数组排序

排序是指将元素按有序顺序排列。

有序序列是拥有与元素相对应的顺序的任何序列，例如数字或字母、升序或降序。

NumPy ndarray 对象有一个名为 sort() 的函数，该函数将对指定的数组进行排序。

实例

对数组进行排序：

import numpy as np

arr = np.array([3, 2, 0, 1])

print(np.sort(arr)) #[0 1 2 3]

注释：此方法返回数组的副本，而原始数组保持不变。

您还可以对字符串数组或任何其他数据类型进行排序：

实例

对数组以字母顺序进行排序：

import numpy as np

arr = np.array(['banana', 'cherry', 'apple'])

print(np.sort(arr))  #['apple' 'banana' 'cherry']

实例

对布尔数组进行排序：

import numpy as np

arr = np.array([True, False, True])

print(np.sort(arr))
#[False  True  True]

对 2-D 数组排序

如果在二维数组上使用 sort() 方法，则将对两个数组进行排序(各自项中的元素，项本身的顺序不变)：

实例

对 2-D 数组排序

import numpy as np

arr = np.array([[3, 2, 4], [5, 0, 1]])

print(np.sort(arr))
#[[2 3 4]
 [0 1 5]]

8).NumPy 数组过滤

• NumPy 数组排序
• NumPy 随机

数组过滤

从现有数组中取出一些元素并从中创建新数组称为过滤（filtering）。

在 NumPy 中，我们使用布尔索引列表来过滤数组。

布尔索引列表是与数组中的索引相对应的布尔值列表。

如果索引处的值为 True，则该元素包含在过滤后的数组中；如果索引处的值为 False，则该元素将从过滤后的数组中排除。

实例

用索引 0 和 2、4 上的元素创建一个数组：

import numpy as np

arr = np.array([61, 62, 63, 64, 65])

x = [True, False, True, False, True]

newarr = arr[x]

print(newarr)#[61 63 65]

上例将返回 [61, 63, 65]，为什么？

因为新过滤器仅包含过滤器数组有值 True 的值，所以在这种情况下，索引为 0 和 2、4。

创建过滤器数组

在上例中，我们对 True 和 False 值进行了硬编码，但通常的用途是根据条件创建过滤器数组。

实例

创建一个仅返回大于 62 的值的过滤器数组：

import numpy as np

arr = np.array([61, 62, 63, 64, 65])

# 创建一个空列表
filter_arr = []

# 遍历 arr 中的每个元素
for element in arr:
  # 如果元素大于 62，则将值设置为 True，否则为 False：
  if element > 62:
    filter_arr.append(True)
  else:
    filter_arr.append(False)

newarr = arr[filter_arr]

print(filter_arr)
print(newarr)
#[False, False, True, True, True]
[63 64 65]

实例

创建一个过滤器数组，该数组仅返回原始数组中的偶数元素：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7])

# 创建一个空列表
filter_arr = []

# 遍历 arr 中的每个元素
for element in arr:
  # 如果元素可以被 2 整除，则将值设置为 True，否则设置为 False
  if element % 2 == 0:
    filter_arr.append(True)
  else:
    filter_arr.append(False)

newarr = arr[filter_arr]

print(filter_arr)
print(newarr)
#[False, True, False, True, False, True, False]
[2 4 6]

直接从数组创建过滤器

上例是 NumPy 中非常常见的任务，NumPy 提供了解决该问题的好方法。

我们可以在条件中直接替换数组而不是 iterable 变量，它会如我们期望地那样工作。

实例

创建一个仅返回大于 62 的值的过滤器数组：

import numpy as np

arr = np.array([61, 62, 63, 64, 65])

filter_arr = arr > 62

newarr = arr[filter_arr]

print(filter_arr)
print(newarr)
#[False False  True  True  True]
[63 64 65]

实例

创建一个过滤器数组，该数组仅返回原始数组中的偶数元素：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7])

filter_arr = arr % 2 == 0

newarr = arr[filter_arr]

print(filter_arr)
print(newarr)
#[False  True False  True False  True False]
[2 4 6]

9).NumPy 中的随机数

• NumPy 数组过滤
• NumPy ufuncs

什么是随机数？

随机数并不意味着每次都有不同的数字。随机意味着无法在逻辑上预测的事物。

伪随机和真随机

计算机在程序上工作，程序是权威的指令集。因此，这意味着必须有某种算法来生成随机数。

如果存在生成随机数的程序，则可以预测它，因此它就不是真正的随机数。

通过生成算法生成的随机数称为伪随机数。

我们可以生成真正的随机数吗？

是的。为了在我们的计算机上生成一个真正的随机数，我们需要从某个外部来源获取随机数据。外部来源通常是我们的击键、鼠标移动、网络数据等。

我们不需要真正的随机数，除非它与安全性（例如加密密钥）有关或应用的基础是随机性（例如数字轮盘赌轮）。

在本教程中，我们将使用伪随机数。

生成随机数

NumPy 提供了 random 模块来处理随机数。

实例

生成一个 0 到 100 之间的随机整数：

from numpy import random

x = random.randint(100)

print(x)

生成随机浮点

random 模块的 rand() 方法返回 0 到 1 之间的随机浮点数。

实例

生成一个 0 到 100 之间的随机浮点数：

from numpy import random

x = random.rand()

print(x) #0.10599176326885196

生成随机数组

在 NumPy 中，我们可以使用上例中的两种方法来创建随机数组。

整数

randint() 方法接受 size 参数，您可以在其中指定数组的形状。

实例

生成一个 1-D 数组，其中包含 5 个从 0 到 100 之间的随机整数：

from numpy import random

x=random.randint(100, size=(5))

print(x) #[71 70 33 52 23]

实例

生成有 3 行的 2-D 数组，每行包含 5 个从 0 到 100 之间的随机整数：

from numpy import random

x = random.randint(100, size=(3, 5))  #3行，每行5个

print(x)
#[[92 89 24 18 67]
 [15 91 29  8 35]
 [51 90 70 62 97]]

浮点数

rand() 方法还允许您指定数组的形状。

实例

生成包含 5 个随机浮点数的 1-D 数组：

from numpy import random

x = random.rand(5)

print(x)
#[0.36517865 0.72925288 0.52385338 0.81641053 0.87472623]

实例

生成有 3 行的 2-D 数组，每行包含 5 个随机数：

from numpy import random

x = random.rand(3, 5)

print(x)
#[[0.81500632 0.7930121  0.66888648 0.49111345 0.91481266]
 [0.46544679 0.10669415 0.42292901 0.37137563 0.49955766]
 [0.06629587 0.05910737 0.38987998 0.56787151 0.28589713]]

从数组生成随机数

choice() 方法使您可以基于值数组生成随机值。

choice() 方法将数组作为参数，并随机返回其中一个值。

实例

返回数组中的值之一：

from numpy import random

x = random.choice([3, 5, 7, 9])

print(x)#3

choice() 方法还允许您返回一个值数组。

请添加一个 size 参数以指定数组的形状。

实例

生成由数组参数（3、5、7 和 9）中的值组成的二维数组：

from numpy import random

x = random.choice([3, 5, 7, 9], size=(3, 5))

print(x)
#[[9 3 5 3 9]
 [5 9 9 7 5]
 [3 3 7 3 9]]

---

10).NumPy ufuncs

• NumPy 随机
• 入门

什么是 ufuncs？

ufuncs 指的是“通用函数”（Universal Functions），它们是对 ndarray 对象进行操作的 NumPy 函数。

为什么要使用 ufuncs？

ufunc 用于在 NumPy 中实现矢量化，这比迭代元素要快得多。

它们还提供广播和其他方法，例如减少、累加等，它们对计算非常有帮助。

ufuncs 还接受其他参数，比如：

where 布尔值数组或条件，用于定义应在何处进行操作。

dtype 定义元素的返回类型。

out 返回值应被复制到的输出数组。

什么是向量化？

将迭代语句转换为基于向量的操作称为向量化。

由于现代 CPU 已针对此类操作进行了优化，因此速度更快。

对两个列表的元素进行相加：

list 1: [1, 2, 3, 4]

list 2: [4, 5, 6, 7]

一种方法是遍历两个列表，然后对每个元素求和。

实例

如果没有 ufunc，我们可以使用 Python 的内置 zip() 方法：

x = [1, 2, 3, 4]
y = [4, 5, 6, 7]
z = []

for i, j in zip(x, y):
  z.append(i + j)
print(z)
#[5, 7, 9, 11]

对此，NumPy 有一个 ufunc，名为 add(x, y)，它会输出相同的结果。

实例

通过 ufunc，我们可以使用 add() 函数：

import numpy as np

x = [1, 2, 3, 4]
y = [4, 5, 6, 7]
z = np.add(x, y)

print(z)