numpy基础--通用函数:快速的元素级数组函数
以下代码的前提:import numpy as np
通用函数(即ufunc)是一种对narray中的数组执行元素级运算的函数。可以看作简单函数(接受一个或多个标量值,并产生一个或多个标量值)的矢量化包装器。
官方说明文档:Universal functions (ufunc) — NumPy v1.21 Manual
1.1 一元ufunc(接受1个数组)
输入参数为一个数组,输出一个数组。举例进行说明:
numpy.sqrt方法,对数组的每个元素的进行开方;numpy.sqrt — NumPy v1.21 Manual
numpy.exp方法,对数组的每个元素进行以e为底的指数运算。numpy.exp — NumPy v1.21 Manual
numpy.exp2方法,对数组的每个元素进行以2为底的指数运算。
numpy.square方法,对数组的每个元素进行平方运算。
还有许多其它的运算,可参考官方文档:Universal functions (ufunc) — NumPy v1.21 Manual
1 >>> arr = np.arange(10)
2 >>> np.sqrt(arr)
3 array([0. , 1. , 1.41421356, 1.73205081, 2. ,
4 2.23606798, 2.44948974, 2.64575131, 2.82842712, 3. ])
5 >>>
6 >>> np.exp(arr)
7 array([1.00000000e+00, 2.71828183e+00, 7.38905610e+00, 2.00855369e+01,
8 5.45981500e+01, 1.48413159e+02, 4.03428793e+02, 1.09663316e+03,
9 2.98095799e+03, 8.10308393e+03])
>>> x = [1, 2, 3]
>>> x = array([1, 2, 3])
>>> x
array([1, 2, 3])
>>> y = np.exp2(x)
>>> y
array([2., 4., 8.])
>>> z = np.square(x)
>>> z
array([1, 4, 9], dtype=int32)
1.2 二元ufunc(接受2个数组)
接受两个数组作为输入变量,返回一个数组。举例进行说明:
numpy.maximum方法,数组元素逐个进行比较,返回最大值;
numpy.minimum方法,数组元素逐个进行比较,返回最小值;
numpy.add方法,数组元素逐个相加;
numpy.subtract方法,数组元素逐个相减。
其它运算参考官网:Universal functions (ufunc) — NumPy v1.21 Manual
1 >>> x = np.random.randn(8)
2 >>> y = np.random.randn(8)
3 >>> x
4 array([ 0.43266866, 1.69407984, -0.55230851, 0.5299432 , 0.16398048,
5 -0.85688016, 0.17670668, 0.27088301])
6 >>> y
7 array([-7.44071773e-01, -1.96733697e-01, 2.63125844e-01, 1.02443527e-03,
8 1.43143711e+00, 4.07087722e-02, 3.69629757e-01, 8.49162829e-01])
9 >>> np.maximum(x, y)
10 array([0.43266866, 1.69407984, 0.26312584, 0.5299432 , 1.43143711,
11 0.04070877, 0.36962976, 0.84916283])
array([1, 2, 3])
>>> y = array([2, 3, 4])
>>> np.add(x, y)
array([3, 5, 7])
>>> np.subtract(x, y)
array([-1, -1, -1])
1.3 ufunc返回多个数组
如numpy.modf方法,将数组的小数部分和整数部分以两个独立数组的形式返回。
1 >>> arr = np.random.randn(7) * 5
2 >>> arr
3 array([-5.13857878, -0.91271076, 3.55618943, -3.40179856, -7.32568638,
4 -1.74803645, 3.1201454 ])
5 >>> np.modf(arr)
6 (array([-0.13857878, -0.91271076, 0.55618943, -0.40179856, -0.32568638,
7 -0.74803645, 0.1201454 ]), array([-5., -0., 3., -3., -7., -1., 3.]))
8 >>>
1.4 常用一元ufunc和二元ufunc函数
一元ufunc | |
---|---|
函数 | 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、log10、log2、log1p | 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)、-1(负数) |
ceil | 计算各元素的ceiling值,即大于等于该值的最小整数 |
floor | 计算各元素的floor值,即小于等于该值的最大整数 |
rint | 将各元素值四舍五入到最接近的整数,保留dtype |
modf | 将数组的小数部分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 |
arccos、arccosh、arcsin、arcsinh、arctan、arctanch | 反三角函数 |
logical_not | 计算各元素not x的真值,相当于~arr |
二元ufunc | |
add | 将数组中对应元素相加 |
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AB |
maximum、fmax | 元素级的最大值计算,fmax将忽略NaN |
minimum、fmin | 元素级的最小值计算,fmin将忽略NaN |
mod | 元素级的求模运算(除法的余数) |
copysign | 将第二个数组中的值的符号复制给第一个数组中的值 |
greater、greater_equal、less、less_equal、equal、not_equal | 执行元素级的比较运算,最终产生布尔型数组。相当于中缀运算符>、>=、<、<=、==、!= |
logic_and、logic_or、logic_xor | 执行元素级的真值逻辑运算,相当于中缀运算符&、|、^ |
numpy基础--通用函数:快速的元素级数组函数的更多相关文章
- numpy中的快速的元素级数组函数
numpy中的快速的元素级数组函数 一元(unary)ufunc 对于数组中的每一个元素,都将元素代入函数,将得到的结果放回到原来的位置 >>> import numpy as np ...
- 【学习】通用函数:快速的元素级数组函数【Numpy】
通用函数(即ufunc)是一种对ndarray中的数据执行元素级运算的函数.可以将其看做简单函数(接受一个或多个标量值,并产生一个或多个标量值)的矢量化包装器. sqrt 和 exp为一元(unary ...
- numpy的通用函数:快速的元素级数组函数
通用函数(ufunc)是对ndarray中的数据执行元素级运算的函数.可看作简单函数的矢量化包装. 一元ufunc sqrt对数组中的所有元素开平方 exp对数组中的所有元素求指数 In [93]: ...
- Numpy 的通用函数:快速的元素级数组函数
通用函数: 通用函数(ufunc)是一种对ndarray中的数据执行元素级运算的函数.你可以将其看作简单函数(接受一个或多个标量值,并产生一个或度过标量值)的矢量化包装器. 简单的元素级变体,如sqr ...
- numpy元素级数组函数
一元函数 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 sqare 计算各元素的平方.相当于ar ...
- 数据分析之Numpy基础:数组和适量计算
Numpy(Numerical Python)是高性能科学计算和数据分析的基础包. 1.Numpy的ndarray:一种多维数组对象 对于每个数组而言,都有shape和dtype这两个属性来获取数组的 ...
- python数据分析---第04章 NumPy基础:数组和矢量计算
NumPy(Numerical Python的简称)是Python数值计算最重要的基础包.大多数提供科学计算的包都是用NumPy的数组作为构建基础. NumPy的部分功能如下: ndarray,一个具 ...
- 《利用Python进行数据分析·第2版》第四章 Numpy基础:数组和矢量计算
<利用Python进行数据分析·第2版>第四章 Numpy基础:数组和矢量计算 numpy高效处理大数组的数据原因: numpy是在一个连续的内存块中存储数据,独立于其他python内置对 ...
- python数据分析 Numpy基础 数组和矢量计算
NumPy(Numerical Python的简称)是Python数值计算最重要的基础包.大多数提供科学计算的包都是用NumPy的数组作为构建基础. NumPy的部分功能如下: ndarray,一个具 ...
- 【学习笔记】 第04章 NumPy基础:数组和矢量计算
前言 正式开始学习Numpy,参考用书是<用Python进行数据清洗>,计划本周五之前把本书读完,关键代码全部实现一遍 NumPy基础:数组和矢量计算 按照书中所示,要搞明白具体的性能差距 ...
随机推荐
- python读取文件时,删除重复行并计数
from collections import Counterwith open('a.txt', 'r+') as f: a = f.readlines() for i in range(len(a ...
- 《Effective C#》系列之(四)——最小化内存泄露和资源占用
一.内存泄露 在<Effective C#>这本书中,最小化资源泄漏是其中一章的内容.以下是该章节的一些核心建议,以及使用C#代码示例说明: 及时释放非托管资源:在使用非托管资源时,需要手 ...
- Mac搭建appium环境及python运行代码示例
Appium主要是通过调用安卓提供的接口来执行命令的,所以需要安装Java和安卓SDK. 1.安装Appium服务端 appium的服务端是基于node的,直接使用npm(node包管理器)安装即可, ...
- 重磅官宣:Nacos2.0发布,性能提升10倍
简介: Nacos2.0 作为一个跨代版本,彻底解决了 Nacos1.X 的性能问题,将性能提升了 10 倍. 作者:席翁 继 Nacos 1.0 发布以来,Nacos 迅速被成千上万家企业采用,并 ...
- [FE] Quasar 性能优化: 减小 vendor.js 尺寸
默认情况下,出于性能和缓存的原因,Quasar 所有来自 node_modules 的东西都会被注入到 vendor 中. 但是,如果希望从这个 vendor.js 中添加或删除某些内容,可以如下这样 ...
- 2018-11-19-WPF-使用-SharpDX-在-D3DImage-显示
title author date CreateTime categories WPF 使用 SharpDX 在 D3DImage 显示 lindexi 2018-11-19 15:38:35 +08 ...
- vscode 配置c/c++环境,无法生成 *.exe文件
[问题]: 使用vscode配置c/c++环境时,提示无法构建失败. [解决方案]: 1. 当前结合网上找的资料已经检查过,tasks.json和launch.json文件,并无配置错误. 2. ...
- 【进阶篇】基于 Redis 实现分布式锁的全过程
目录 前言 一.关于分布式锁 二.RedLock 红锁(不推荐) 三.基于 setIfAbsent() 方法 四.使用示例 4.1RedLock 使用 4.2setIfAbsent() 方法使用 五. ...
- LVS负载均衡(2)-- NAT模型搭建实例
目录 1. LVS NAT模型搭建 1.1 NAT模型网络规划 1.2 NAT模型访问流程 1.3 NAT模型配置步骤 1.3.1 ROUTER设备配置 1.3.2 后端nginx服务器配置 1.3. ...
- JS基础--JavaScript实例集锦(初学)
1.子节点childNodes: <!DOCTYPE html> <html> <head> <title>childNodes</title&g ...