您好,登錄后才能下訂單哦!
本文小編為大家詳細介紹“numpy中的函數(shù)怎么用”,內(nèi)容詳細,步驟清晰,細節(jié)處理妥當,希望這篇“numpy中的函數(shù)怎么用”文章能幫助大家解決疑惑,下面跟著小編的思路慢慢深入,一起來學習新知識吧。
在NumPy中,多維數(shù)組除了基本的算數(shù)運算之外,還內(nèi)置了一些非常有用的函數(shù),可以加快我們的科學計算的速度。
我們先看下比較常見的運算函數(shù),在使用之前,我們先構(gòu)造一個數(shù)組:
arr = np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
計算數(shù)組中元素的開方:
np.sqrt(arr)
array([0. , 1. , 1.4142, 1.7321, 2. , 2.2361, 2.4495, 2.6458, 2.8284, 3. ])
自然常數(shù)e為底的指數(shù)函數(shù):
np.exp(arr)
array([ 1. , 2.7183, 7.3891, 20.0855, 54.5982, 148.4132, 403.4288, 1096.6332, 2980.958 , 8103.0839])
取兩個數(shù)組的最大值,組成新的數(shù)組:
x = np.random.randn(8) y = np.random.randn(8) x,y
(array([-2.3594, -0.1995, -1.542 , -0.9707, -1.307 , 0.2863, 0.378 , -0.7539]), array([ 0.3313, 1.3497, 0.0699, 0.2467, -0.0119, 1.0048, 1.3272, -0.9193]))
np.maximum(x, y)
array([ 0.3313, 1.3497, 0.0699, 0.2467, -0.0119, 1.0048, 1.3272, -0.7539])
返 回浮點數(shù)數(shù)組的小數(shù)和整數(shù)部分:
arr = np.random.randn(7) * 5
array([-7.7455, 0.1109, 3.7918, -3.3026, 4.3129, -0.0502, 0.25 ])
remainder, whole_part = np.modf(arr)
(array([-0.7455, 0.1109, 0.7918, -0.3026, 0.3129, -0.0502, 0.25 ]), array([-7., 0., 3., -3., 4., -0., 0.]))
如果要進行數(shù)組之間的運算,常用的方法就是進行循環(huán)遍歷,但是這樣的效率會比較低。所以Numpy提供了數(shù)組之間的數(shù)據(jù)處理的方法。
先來講解一下 np.meshgrid 這個函數(shù),這個函數(shù)是用來快速生成網(wǎng)格點坐標矩陣的。
先看一段坐標點的代碼:
import numpy as np import matplotlib.pyplot as plt x = np.array([[0, 1, 2], [0, 1, 2]]) y = np.array([[0, 0, 0], [1, 1, 1]]) plt.plot(x, y, color='green', marker='.', linestyle='') plt.grid(True) plt.show()
上面的X是一個二維數(shù)組,表示的是坐標點的X軸的位置。
Y也是一個二維數(shù)組,表示的是坐標點的Y軸的位置。
看下畫出來的圖像:
上面畫出的就是使用X,Y矩陣組合出來的6個坐標點。
上面的X,Y的二維數(shù)組是我們手動輸入的,如果坐標上面有大量點的話,手動輸入肯定是不可取的。
于是有了np.meshgrid這個函數(shù)。這個函數(shù)可以接受兩個一維的數(shù)組,然后生成二維的X,Y坐標矩陣。
上面的例子可以改寫為:
x = np.array([0,1,2]) y = np.array([0,1]) xs, ys = np.meshgrid(x, y) xs,ys (array([[0, 1, 2], [0, 1, 2]]), array([[0, 0, 0], [1, 1, 1]]))
可以看到生成的xs和ys和手動輸入是一樣的。
有了網(wǎng)格坐標之后,我們就可以基于網(wǎng)格值來計算一些數(shù)據(jù),比如:sqrt(x^2+y^2)sqrt(x2+y2) ,我們不用變量矩陣中所有的數(shù)據(jù),只需要直接使用數(shù)組進行運算即可:
np.sqrt(xs ** 2 + ys ** 2)
結(jié)果:
array([[0. , 1. , 2. ], [1. , 1.41421356, 2.23606798]])
因為xs 和ys本身就是2 * 3 的矩陣,所以結(jié)果也是 2 * 3 的矩陣。
我們可以在構(gòu)建數(shù)組的時候使用條件邏輯表達式:
xarr = np.array([1.1, 1.2, 1.3, 1.4, 1.5]) yarr = np.array([2.1, 2.2, 2.3, 2.4, 2.5]) cond = np.array([True, False, True, True, False])
result = [(x if c else y) for x, y, c in zip(xarr, yarr, cond)]result
[1.1, 2.2, 1.3, 1.4, 2.5]
更簡單一點,我們可以使用where語句:
result = np.where(cond, xarr, yarr) result
array([1.1, 2.2, 1.3, 1.4, 2.5])
我們還可以根據(jù)where的條件來修改數(shù)組的值:
arr = np.random.randn(4, 4) arr array([[ 0.7953, 0.1181, -0.7485, 0.585 ], [ 0.1527, -1.5657, -0.5625, -0.0327], [-0.929 , -0.4826, -0.0363, 1.0954], [ 0.9809, -0.5895, 1.5817, -0.5287]])
上面我們構(gòu)建了一個4 * 4 的數(shù)組。
我們可以在where中進行數(shù)據(jù)的比較,如果大于0,將數(shù)據(jù)修改成2 ,如果小于0,則將數(shù)據(jù)修該成-2 :
np.where(arr > 0, 2, -2) array([[ 2, 2, -2, 2], [ 2, -2, -2, -2], [-2, -2, -2, 2], [ 2, -2, 2, -2]])
numpy提供了mean,sum等統(tǒng)計方法:
arr = np.random.randn(5, 4) arr arr.mean() np.mean(arr) arr.sum()
還可以按維度來統(tǒng)計:
arr.mean(axis=1) arr.sum(axis=0)
cumsum進行累加計算:
arr = np.array([0, 1, 2, 3, 4, 5, 6, 7]) arr.cumsum()
array([ 0, 1, 3, 6, 10, 15, 21, 28])
cumprod進行累乘計算:
arr = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) arr arr.cumsum(axis=0)
array([[ 0, 1, 2], [ 3, 5, 7], [ 9, 12, 15]])
arr.cumprod(axis=1)
array([[ 0, 0, 0], [ 3, 12, 60], [ 6, 42, 336]])
any用于測試數(shù)組中是否存在一個或多個True,而all則檢查數(shù)組中所有值是否都是True:
bools = np.array([False, False, True, False]) bools.any() True
bools.all() False
使用sort可以對數(shù)組進行排序,除了普通排序還可以按照特定的軸來進行排序:
arr = np.random.randn(6) arr.sort()
array([-2.5579, -1.2943, -0.2972, -0.1516, 0.0765, 0.1608])
arr = np.random.randn(5, 3) arr arr.sort(1) arr
array([[-0.8852, -0.4936, -0.1875], [-0.3507, -0.1154, 0.0447], [-1.1512, -0.8978, 0.8909], [-2.6123, -0.8671, 1.1413], [-0.437 , 0.3475, 0.3836]])
sort(1)指的是按照第二個軸來排序。
可以方便的將數(shù)組寫入到文件和從文件中讀出:
arr = np.arange(10) np.save('some_array', arr)
會將數(shù)組存放到some_array.npy文件中,我們可以這樣讀?。?/p>
np.load('some_array.npy')
還可以以無壓縮的方式存入多個數(shù)組:
np.savez('array_archive.npz', a=arr, b=arr)
讀?。?/p>
arch = np.load('array_archive.npz') arch['b']
如果想要壓縮,可以這樣:
np.savez_compressed('arrays_compressed.npz', a=arr, b=arr)
如果我們使用普通的算數(shù)符來進行矩陣的運算的話,只是簡單的數(shù)組中對應的元素的算數(shù)運算。如果我們想做矩陣之間的乘法的時候,可以使用dot。
一個 2 * 3 的矩陣 dot 一個3*2 的矩陣,最終得到一個2 * 2 的矩陣。
x = np.array([[1., 2., 3.], [4., 5., 6.]]) y = np.array([[6., 23.], [-1, 7], [8, 9]]) x y x.dot(y)
array([[ 28., 64.], [ 67., 181.]])
或者可以這樣寫:
np.dot(x, y)
array([[ 28., 64.], [ 67., 181.]])
還可以使用 @ 符號:
x @ y
array([[ 28., 64.], [ 67., 181.]])
我們看下都有哪些運算:
乘積運算:
操作符 | 描述 |
---|---|
dot(a, b[, out]) | 矩陣點積 |
linalg.multi_dot(arrays, *[, out]) | 多個矩陣點積 |
vdot(a, b) | 向量點積 |
inner(a, b) | 兩個數(shù)組的內(nèi)積 |
outer(a, b[, out]) | 兩個向量的外積 |
matmul(x1, x2, /[, out, casting, order, …]) | 兩個矩陣的對應位的乘積 |
tensordot(a, b[, axes]) | 計算沿指定軸的張量點積 |
einsum(subscripts, *operands[, out, dtype, …]) | 愛因斯坦求和約定 |
einsum_path(subscripts, *operands[, optimize]) | 通過考慮中間數(shù)組的創(chuàng)建,評估einsum表達式的最低成本收縮順序。 |
linalg.matrix_power(a, n) | 矩陣的冪運算 |
kron(a, b) | 矩陣的Kronecker乘積 |
分解運算:
操作符 | 描述 |
---|---|
linalg.cholesky(a) | Cholesky 分解 |
linalg.qr(a[, mode]) | 計算矩陣的qr因式分解 |
linalg.svd(a[, full_matrices, compute_uv, …]) | 奇異值分解 |
本征值和本征向量:
操作 | 描述 |
---|---|
linalg.eig(a) | 計算方陣的特征值和右特征向量。 |
linalg.eigh(a[, UPLO]) | 返回復數(shù)Hermitian(共軛對稱)或?qū)崒ΨQ矩陣的特征值和特征向量。 |
linalg.eigvals(a) | 計算通用矩陣的特征值。 |
linalg.eigvalsh(a[, UPLO]) | 計算復數(shù)Hermitian(共軛對稱)或?qū)崒ΨQ矩陣的特征值。 |
基準值:
操作 | 描述 |
---|---|
linalg.norm(x[, ord, axis, keepdims]) | 矩陣或向量范數(shù) |
linalg.cond(x[, p]) | Compute the condition number of a matrix. |
linalg.det(a) | 矩陣行列式 |
linalg.matrix_rank(M[, tol, hermitian]) | 使用SVD方法返回數(shù)組的矩陣秩 |
linalg.slogdet(a) | 計算數(shù)組行列式的符號和(自然)對數(shù)。 |
trace(a[, offset, axis1, axis2, dtype, out]) | 返回沿數(shù)組對角線的和。 |
求解和反轉(zhuǎn):
操作 | 描述 |
---|---|
linalg.solve(a, b) | 求解線性矩陣方程或線性標量方程組。 |
linalg.tensorsolve(a, b[, axes]) | 對x求解張量方程’a x = b’。 |
linalg.lstsq(a, b[, rcond]) | 將最小二乘解返回線性矩陣方程 |
linalg.inv(a) | 計算矩陣的(乘法)逆。 |
linalg.pinv(a[, rcond, hermitian]) | 計算矩陣的(Moore-Penrose)偽逆。 |
linalg.tensorinv(a[, ind]) | 計算N維數(shù)組的“逆”。 |
很多時候我們都需要生成隨機數(shù),在NumPy中隨機數(shù)的生成非常簡單:
samples = np.random.normal(size=(4, 4)) samples
array([[-2.0016, -0.3718, 1.669 , -0.4386], [-0.5397, 0.477 , 3.2489, -1.0212], [-0.5771, 0.1241, 0.3026, 0.5238], [ 0.0009, 1.3438, -0.7135, -0.8312]])
上面用normal來得到一個標準正態(tài)分布的4×4樣本數(shù)組。
使用np.random要比使用Python自帶的隨機數(shù)生成器要快得多。
np.random可以指定生成隨機數(shù)的種子:
np.random.seed(1234)
numpy.random的數(shù)據(jù)生成函數(shù)使用了全局的隨機種子。要避免 全局狀態(tài),你可以使用numpy.random.RandomState,創(chuàng)建一個 與其它隔離的隨機數(shù)生成器:
rng = np.random.RandomState(1234) rng.randn(10)
讀到這里,這篇“numpy中的函數(shù)怎么用”文章已經(jīng)介紹完畢,想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領(lǐng)會,如果想了解更多相關(guān)內(nèi)容的文章,歡迎關(guān)注億速云行業(yè)資訊頻道。
免責聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。