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

  1. 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 ...

  2. 【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 ...

  3. 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]: ...

  4. 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 ...

  5. 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 ...

  6. 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 ...

  7. 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 ...

  8. 《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 ...

  9. 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 ...

  10. 【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

  1. 顺通鞋业MES生产工单管理系统软件

    顺通鞋业MES管理系统的"生产执行"是办公室和车间信息交互的枢纽,是一款针对大型鞋业生产企业开发的可配置化智能制造管理系统.工人可以通过车间终端(如安装在机器旁的固定工业触摸屏或移 ...

  2. 【Oracle】列拆行/对多行数据的单行数据进行分割并多行显示

    [Oracle]列拆行/对多行数据的单行数据进行分割并多行显示 参考链接:Oracle 一行字符串拆分为多行_oracle一行拆分成多行-CSDN博客 背景:要对一个表的字段的内容进行分割,分隔符都是 ...

  3. 面试题 02.07(Java). 链表相交(简单)

    题目: 本题与:力扣160相交链表 一致 给你两个单链表的头节点 headA 和 headB ,请你找出并返回两个单链表相交的起始节点.如果两个链表没有交点,返回 null . 图示两个链表在节点 c ...

  4. Nacos2.0的K8s服务发现生态应用及规划

    ​简介:Nacos 是阿里巴巴于 2018 年开源的注册中心及配置中心产品,帮助用户的分布式微服务应用进行服务发现和配置管理功能.随着 Nacos2.0 版本的发布,在性能和扩展性上取得较大突破后,社 ...

  5. 开课啦 dubbo-go 微服务升级实战

    简介: 杭州开课啦教育科技有限公司是一家致力于为中小学生提供学习辅导的在线教育公司,目前公司后端服务基础设施主要依托于阿里云原生,其中包含计算.网络.存储以及 Kubernetes 服务. 技术选型背 ...

  6. Flink Sort-Shuffle 实现简介

    简介:Sort-Shuffle 使 Flink 在应对大规模批数据处理任务时更加游刃有余 本文介绍 Sort-Shuffle 如何帮助 Flink 在应对大规模批数据处理任务时更加游刃有余.主要内容包 ...

  7. 如何评估Serverless服务能力,这份报告给出了40条标准

    简介: 如今,已经有评测机构给出了40条标准来对Serverless的服务能力进行评估,这些评估细则既是技术生态繁荣发展的一种表现,也可以作为新进入者评估Serverless落地成效的一种参考依据. ...

  8. Apache Flink 在京东的实践与优化

    ​简介: Flink 助力京东实时计算平台朝着批流一体的方向演进. 本文整理自京东高级技术专家付海涛在 Flink Forward Asia 2020 分享的议题<Apache Flink 在京 ...

  9. WPF 使用 Dispatcher 的 InvokeAsync 和 BeginInvoke 的异常处理差别

    一般认为 WPF 的 Dispatcher 的 InvokeAsync 方法是 BeginInvoke 方法的平替方法和升级版,接近在任何情况下都应该在业务层使用 InvokeAsync 方法代替 B ...

  10. MAUI 已知问题 PathFigureCollectionConverter 非线程安全

    在 MAUI 里,可以使用 PathFigureCollectionConverter 将 Path 字符串转换为 PathFigureCollection 对象,从而实现从 Path 字符串转换为路 ...