NumPy之Ndarray運(yùn)算函數(shù)操作方法有哪些

這篇文章主要介紹了NumPy之Ndarray運(yùn)算函數(shù)操作方法有哪些的相關(guān)知識(shí)，內(nèi)容詳細(xì)易懂，操作簡(jiǎn)單快捷，具有一定借鑒價(jià)值，相信大家閱讀完這篇NumPy之Ndarray運(yùn)算函數(shù)操作方法有哪些文章都會(huì)有所收獲，下面我們一起來看看吧。

NumPy比較運(yùn)算符

NumPy中的比較運(yùn)算符（>、<、==、!=、>=、<=）用于比較兩個(gè)數(shù)組的元素是否滿足一定的關(guān)系，結(jié)果是一個(gè)布爾類型的數(shù)組，其中 True 表示相應(yīng)位置的元素滿足條件，F(xiàn)alse 表示不滿足。

常用的比較運(yùn)算符：

import numpy as np
a = np.array([1, 2, 3])
b = np.array([2, 2, 2])
print(a > b)  # 輸出：[False False  True]
print(a < b)  # 輸出：[ True False False]
print(a == b)  # 輸出：[False  True False]
print(a != b)  # 輸出：[ True False  True]
print(a >= b)  # 輸出：[False  True  True]
print(a <= b)  # 輸出：[ True  True False]

import numpy as np
# 生成1-20范圍 4行3列的二維數(shù)組
a = np.random.randint(1, 20, (4, 3))
print(a)
print()
# 取出前2行的前2列用于邏輯判斷
b = a[:2, 0:2]
# 邏輯判斷, 如果大于10就標(biāo)記為True 否則為False
print(b > 10)
print()
# BOOL賦值, 將滿足條件的設(shè)置為指定的值-布爾索引
b[b > 10] = 1
print(b)

[[ 5 16  5]
 [12  9 13]
 [ 8 18 11]
 [ 4 19 17]]
[[False  True]
 [ True False]]
[[5 1]
 [1 9]]

NumPy邏輯運(yùn)算符

邏輯運(yùn)算符（&（與）、|（或）、^（異或）、~（非））：用于對(duì)布爾數(shù)組進(jìn)行邏輯運(yùn)算，返回一個(gè)布爾數(shù)組。

邏輯與

其中 "&" 運(yùn)算符表示邏輯與，當(dāng)所有操作數(shù)均為 True 時(shí)結(jié)果才為 True，否則結(jié)果為 False。

import numpy as np
a = np.array([True, False, True])
b = np.array([False, True, True])
c = a & b  # 對(duì) a 和 b 進(jìn)行與運(yùn)算，返回一個(gè)布爾數(shù)組
print(c) # [False False  True]

邏輯或

"|" 運(yùn)算符表示邏輯或，在任意一個(gè)操作數(shù)為 True 時(shí)結(jié)果就為 True，只有所有操作數(shù)均為 False 時(shí)結(jié)果才為 False。

import numpy as np
a = np.array([True, False, True])
b = np.array([False, True, True])
c = a | b 
print(c) # [ True  True  True]

邏輯異或

"^" 運(yùn)算符表示邏輯異或，在兩個(gè)操作數(shù)相同時(shí)結(jié)果為 False，在操作數(shù)不同時(shí)結(jié)果為 True。

import numpy as np
a = np.array([True, False, True])
b = np.array([False, True, True])
c = a ^ b 
print(c) # [ True  True False]

邏輯非

"~" 運(yùn)算符表示邏輯非，對(duì)操作數(shù)取反。

import numpy as np
a = np.array([True, False, True])
b = np.array([False, True, True])
c = ~a
print(c)  # False  True False]
c = ~b
print(c) # [ True False False]

NumPy邏輯運(yùn)算函數(shù)

NumPy庫中的邏輯運(yùn)算函數(shù)：

logical_and()函數(shù)

logical_and()函數(shù)函數(shù)接受兩個(gè)參數(shù)，返回一個(gè)布爾類型數(shù)組。

np.logical_and(x1, x2) ：對(duì)兩個(gè)數(shù)組 x1 和 x2 中的每個(gè)元素進(jìn)行邏輯與運(yùn)算，并將結(jié)果以一個(gè)新的布爾類型數(shù)組返回。對(duì)于同一位置上的元素，只有在都為 True 時(shí)，結(jié)果才為 True；否則，結(jié)果為 False。

import numpy as np
a = np.array([True, True, False, False])
b = np.array([True, False, True, False])
c = np.logical_and(a, b)
print(c) #  True False False False]
# 大于0.5并且小于3的，換為1，否則為0
c = np.array([1, 2, 3, 4, 5])
d = np.logical_and(c > 0.5, c < 3)
print(d) # [ True  True False False False]
print(np.where(d, 1, 0)) # [1 1 0 0 0]

np.logical_or()函數(shù)

np.logical_or()函數(shù)接受兩個(gè)參數(shù)，返回一個(gè)布爾類型數(shù)組。

np.logical_or(x1, x2) ：對(duì)兩個(gè)數(shù)組 x1 和 x2 中的每個(gè)元素進(jìn)行邏輯或運(yùn)算，并將結(jié)果以一個(gè)新的布爾類型數(shù)組返回。對(duì)于同一位置上的元素，只有在都為 False 時(shí)，結(jié)果才為 False；否則，結(jié)果為 True。

import numpy as np
a = np.array([True, True, False, False])
b = np.array([True, False, True, False])
c = np.logical_or(a, b)
print(c) # [ True  True  True False]
# 大于0.5并且小于3的，換為1，否則為0
c = np.array([1, 2, 3, 4, 5])
d = np.logical_or(c > 0.5, c < 3)
print(d) # [ True  True  True  True  True]
print(np.where(d, 1, 0)) # [1 1 1 1 1]

logical_not()函數(shù)

np.logical_not(x)：對(duì) x 中的元素進(jìn)行邏輯非（not）運(yùn)算，返回一個(gè)新的數(shù)組。

import numpy as np
a = np.array([True, False, True])
print(np.logical_not(a))# [False  True False]

logical_xor()函數(shù)

np.logical_xor(x1, x2)：對(duì) x1 和 x2 中的元素進(jìn)行邏輯異或（xor）運(yùn)算，返回一個(gè)新的數(shù)組。

import numpy as np
a = np.array([True, False, True])
b = np.array([False, True, True])
print(np.logical_xor(a, b)) # [ True  True False]

NumPy判斷函數(shù)

all(a)函數(shù)

np.all()函數(shù)用于測(cè)試數(shù)組中的所有元素是否都是True

import numpy as np
a = np.array([1, 2, 3, 4])
b = np.array([0, 2, 3, 4])
print(np.all(a))   # True，因?yàn)樗性囟疾粸?
print(np.all(b))   # False，因?yàn)榈谝粋€(gè)元素為0
c = np.array([[1, 2, 3], [4, 5, 6]])
print(np.all(c))     # True，因?yàn)樗性囟疾粸?
# axis=0：沿著列方向測(cè)試所有元素是否都為True
print(np.all(c, axis=0))   # [True True False]
# axis=1：沿著行方向測(cè)試所有元素是否都為True
print(np.all(c, axis=1))   # [True  False]
d = np.array([True, False, True])
print(np.all(d))  # 輸出 False

any(a)函數(shù)

np.any()函數(shù)用于測(cè)試給定數(shù)組的任意元素是否為True。它返回一個(gè)布爾值，表示數(shù)組中是否有任意一個(gè)元素為True。

import numpy as np
a = np.array([0, 1, 2])
print(np.any(a))  # 輸出 True
b = np.array([False, False, False])
print(np.any(b))  # 輸出 False
c = np.array([[True, False], [False, False]])
print(np.any(c))  # 輸出 True
d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(d[0:2, :2]) # [[1 2]  [4 5]]
print(np.any(d[0:2, :2] > 5 ))

isnan(x)函數(shù)

np.isnan(x)函數(shù)判斷一個(gè)數(shù)是否為 NaN (not a number)

import numpy as np
a = np.array([1, 2, np.nan, 4])
print(np.isnan(a))     # [False False  True False]

isinf(x)函數(shù)

np.isinf(x)函數(shù)判斷一個(gè)數(shù)是否為正無窮或負(fù)無窮

import numpy as np
b = np.array([1, 2, np.inf, -np.inf])
print(np.isinf(b))     # [False False  True  True]

isfinite(x)函數(shù)

np.isfinite(x)函數(shù)判斷一個(gè)數(shù)是否為有限的數(shù)值

import numpy as np
c = np.array([1, 2, np.nan, np.inf, -np.inf])
print(np.isfinite(c))  # [ True  True False False False]

allclose(a, b)函數(shù)

np.allclose(a, b)函數(shù)判斷兩個(gè)數(shù)組是否在一定誤差范圍內(nèi)相等

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[1.01, 2.01], [3.01, 4.01]])
print(np.allclose(a, b))     # False
print(np.allclose(a, b, rtol=0.02))  # True

array_equal(a, b)函數(shù)

np.array_equal(a, b)函數(shù)判斷兩個(gè)數(shù)組是否完全相同

import numpy as np
a = np.array([1, 2, 3])
b = np.array([1, 2, 3])
print(np.array_equal(a, b))   # True
c = np.array([1, 2, 3])
d = np.array([1, 2, 4])
print(np.array_equal(c, d))   # False

greater(x, y)函數(shù)

np.greater(x, y)函數(shù) 對(duì)比兩個(gè)數(shù)組中的元素，返回一個(gè)表示 x 是否大于 y 的布爾數(shù)組

import numpy as np
a = np.array([1, 2, 3])
b = np.array([2, 2, 2])
print(np.greater(a, b))      # [False False  True]

less(x, y)函數(shù)

np.less(x, y)函數(shù)對(duì)比兩個(gè)數(shù)組中的元素，返回一個(gè)表示 x 是否小于 y 的布爾數(shù)組

import numpy as np
a = np.array([1, 2, 3])
b = np.array([2, 2, 2])
print(np.less(a, b))         # [ True False False]

equal(x, y)函數(shù)

np.equal(x, y)函數(shù)對(duì)比兩個(gè)數(shù)組中的元素，返回一個(gè)表示 x 是否等于 y 的布爾數(shù)組

import numpy as np
a = np.array([1, 2, 3])
b = np.array([1, 3, 3])
print(np.equal(a, b))        # [ True False  True]

NumPy條件篩選函數(shù)

NumPy中可以使用條件篩選函數(shù)進(jìn)行條件選擇操作。

where()函數(shù)

numpy.where(condition, x, y)

where()函數(shù)說明：

np.where函數(shù)用于根據(jù)給定條件返回輸入數(shù)組中滿足條件的元素的索引或值。

參數(shù)：

condition：一個(gè)布爾型數(shù)組或條件表達(dá)式，用于指定篩選條件

x：滿足條件時(shí)的返回值

y：不滿足條件時(shí)的返回值

使用np.where函數(shù)找出數(shù)組a中大于3的元素的索引，并且將滿足條件的元素從a和b對(duì)應(yīng)位置的值中取出來

import numpy as np
a = np.array([1, 2, 3, 4, 5])
b = np.array([10, 20, 30, 40, 50])
# 返回滿足條件的元素的索引
indices = np.where(a > 3)
print(indices) # (array([3, 4], dtype=int64),)
# 返回滿足條件的元素的值
values = np.where(a > 3, a, b)
# 根據(jù)條件 (a > 3) 可以得到一個(gè)布爾類型的數(shù)組 [False False True True True]。對(duì)于這個(gè)數(shù)組中每個(gè)元素，如果是 True 則返回 a 數(shù)組中對(duì)應(yīng)的元素，否則返回 b 數(shù)組中對(duì)應(yīng)的元素。所以最終結(jié)果是 [10 20 30 4 5]。
print(values) # [10 20 30  4  5]

choose()函數(shù)

numpy.choose 函數(shù)可以根據(jù)給定的索引數(shù)組從一組備選的值中進(jìn)行選擇。

numpy.choose(a, choices, out=None, mode='raise')

a：表示從中選擇值的整數(shù)數(shù)組，每個(gè)值必須是非負(fù)的且小于 len(choices)
choices：表示備選值的序列?？梢允橇斜怼⒃M或數(shù)組等對(duì)象，且每個(gè)對(duì)象的形狀必須相同
out：可選參數(shù)，表示輸出數(shù)組
mode：表示邊界處理方式，默認(rèn)為 'raise'（拋出異常），還可以設(shè)置為 'wrap'（循環(huán)）或 'clip'（剪切）

import numpy as np
# 定義選擇數(shù)組a和備選值數(shù)組choices 
a = np.array([0, 1, 2, 2])
choices = (10, 11, 12, 13)
# 使用 choose 函數(shù)進(jìn)行選擇
# 從 choices 中根據(jù) a 中的索引進(jìn)行選擇，得到最終的結(jié)果數(shù)組。
result = np.choose(a, choices)
print(result)  # 輸出 [10 11 12 12]

select()函數(shù)

numpy.select函數(shù)則是一種更加靈活的選擇方式，它可以根據(jù)多個(gè)條件來進(jìn)行選擇。其函數(shù)簽名為：

numpy.select(condlist, choicelist, default=0)

condlist：表示條件列表的序列。每個(gè)條件都是一個(gè)布爾數(shù)組，且所有條件必須具有相同形狀。

choicelist：表示備選值的序列。每個(gè)備選值也必須具有相同的形狀

default：可選參數(shù)，表示默認(rèn)值

import numpy as np
# 定義條件列表condlist和備選值列表choicelist 
condlist = [np.array([True, False]), np.array([False, True])]
choicelist = [np.array([1, 2]), np.array([3, 4])]
# 使用 select 函數(shù)進(jìn)行選擇
# 使用 numpy.select 函數(shù)根據(jù)條件列表從備選值列表中進(jìn)行選擇，得到最終的結(jié)果數(shù)組
result = np.select(condlist, choicelist)
# 第一個(gè)條件為 [True, False]，因此選擇了第一個(gè)備選值 [1, 2] 中的第一個(gè)元素 1
# 第二個(gè)條件為 [False, True]，因此選擇了第二個(gè)備選值 [3, 4] 中的第二個(gè)元素 4。最終得到的結(jié)果為 [1, 4]
print(result)  # 輸出 [1 4]

NumPy統(tǒng)計(jì)運(yùn)算

統(tǒng)計(jì)運(yùn)算是指對(duì)一組數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析的運(yùn)算，常見的統(tǒng)計(jì)運(yùn)算包括：

求和（Sum）：將一組數(shù)值加起來得到總和。
平均數(shù)（Mean）：將一組數(shù)值相加后除以數(shù)量，得到平均值。
中位數(shù)（Median）：將一組數(shù)值按從小到大的順序排列，取中間的那個(gè)數(shù)值作為中位數(shù)。
眾數(shù)（Mode）：一組數(shù)值中出現(xiàn)次數(shù)最多的數(shù)值。
方差（Variance）：表示數(shù)據(jù)集合各項(xiàng)數(shù)據(jù)與其平均數(shù)之差平方的平均數(shù)。
標(biāo)準(zhǔn)差（Standard Deviation）：是方差的正平方根。
百分位數(shù)（Percentile）：將一組數(shù)值按從小到大的順序排列，然后找出某個(gè)百分比所處的位置

求和（Sum）

numbers = [1, 2, 3, 4, 5]
total = sum(numbers)
print(total)  # 輸出：15

平均數(shù)（Mean）

numbers = [1, 2, 3, 4, 5]
average = sum(numbers) / len(numbers)
print(average)  # 輸出：3.0

中位數(shù)（Median）

import statistics
numbers = [1, 2, 3, 4, 5]
median = statistics.median(numbers)
print(median)  # 輸出：3

眾數(shù)（Mode）

from collections import Counter
numbers = [1, 2, 3, 3, 4, 4, 4, 5, 5]
counter = Counter(numbers)
mode = counter.most_common(1)[0][0]
print(mode)  # 輸出：4

方差（Variance）

import statistics
numbers = [1, 2, 3, 4, 5]
variance = statistics.variance(numbers)
print(variance)  # 輸出：2.5

標(biāo)準(zhǔn)差（Standard Deviation）

import statistics
numbers = [1, 2, 3, 4, 5]
stdev = statistics.stdev(numbers)
print(stdev)  # 輸出：1.5811388300841898

百分位數(shù)（Percentile）

import numpy as np
numbers = [1, 2, 3, 4, 5]
percentile = np.percentile(numbers, 50)
print(percentile)  # 輸出：3.0

NumPy算術(shù)函數(shù)

兩個(gè)數(shù)組相加

import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.add(a, b)
print(c) # [5 7 9]

NumPy數(shù)學(xué)函數(shù)

NumPy 提供了許多數(shù)學(xué)函數(shù)，用于對(duì)數(shù)組進(jìn)行各種數(shù)學(xué)運(yùn)算。

計(jì)算數(shù)組中每個(gè)元素的正弦值：

import numpy as np
arr = np.array([0, np.pi/2, np.pi])
sin_arr = np.sin(arr)
print(sin_arr) # [0.0000000e+00 1.0000000e+00 1.2246468e-16]

NumPy字符串函數(shù)

NumPy提供了一些字符串函數(shù)，用于處理數(shù)組中的字符串元素。

將兩個(gè)字符串連接起來：

import numpy as np
a = np.array(['Hello', 'world'])
b = np.array(['!', '?'])
c = np.char.add(a, b)
print(c) # ['Hello!' 'world?']

NumPy排序函數(shù)

NumPy 提供了許多排序函數(shù)，用于對(duì)數(shù)組進(jìn)行排序。

對(duì)數(shù)組進(jìn)行排序，并返回排序后的索引：

import numpy as np
arr = np.array([3, 8, 1, 6, 0])
sorted_indices = np.argsort(arr)
print(sorted_indices) # [4 2 0 3 1]

關(guān)于“NumPy之Ndarray運(yùn)算函數(shù)操作方法有哪些”這篇文章的內(nèi)容就介紹到這里，感謝各位的閱讀！相信大家對(duì)“NumPy之Ndarray運(yùn)算函數(shù)操作方法有哪些”知識(shí)都有一定的了解，大家如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道。