科学计算NumPy之Ndarray运算函数操作示例汇总

2023-05-18 08:05:03 函数 示例 运算

NumPy比较运算符

NumPy中的比较运算符（>、<、==、!=、>=、<=）用于比较两个数组的元素是否满足一定的关系，结果是一个布尔类型的数组，其中 True 表示相应位置的元素满足条件，False 表示不满足。

常用的比较运算符：

运算符说明
大于（>）判断左侧的值是否大于右侧的值
小于（<）判断左侧的值是否小于右侧的值
等于（==）判断左侧的值是否等于右侧的值
不等于（!=）判断左侧的值是否不等于右侧的值
大于等于（>=）判断左侧的值是否大于或等于右侧的值
小于等于（<=）判断左侧的值是否小于或等于右侧的值
import numpy as np
a = np.array([1, 2, 3])
b = np.array([2, 2, 2])
print(a > b)  # 输出：[False False  True]
print(a < b)  # 输出：[ True False False]
print(a == b)  # 输出：[False  True False]
print(a != b)  # 输出：[ True False  True]
print(a >= b)  # 输出：[False  True  True]
print(a <= b)  # 输出：[ True  True False]
import numpy as np
# 生成1-20范围 4行3列的二维数组
a = np.random.randint(1, 20, (4, 3))
print(a)
print()
# 取出前2行的前2列用于逻辑判断
b = a[:2, 0:2]
# 逻辑判断, 如果大于10就标记为True 否则为False
print(b > 10)
print()
# BOOL赋值, 将满足条件的设置为指定的值-布尔索引
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逻辑运算符

逻辑运算符（&（与）、|（或）、^（异或）、~（非））：用于对布尔数组进行逻辑运算，返回一个布尔数组。

逻辑与

其中 "&" 运算符表示逻辑与，当所有操作数均为 True 时结果才为 True，否则结果为 False。

import numpy as np
a = np.array([True, False, True])
b = np.array([False, True, True])
c = a & b  # 对 a 和 b 进行与运算，返回一个布尔数组
print(c) # [False False  True]

逻辑或

"|" 运算符表示逻辑或，在任意一个操作数为 True 时结果就为 True，只有所有操作数均为 False 时结果才为 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]

逻辑异或

"^" 运算符表示逻辑异或，在两个操作数相同时结果为 False，在操作数不同时结果为 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]

逻辑非

"~" 运算符表示逻辑非，对操作数取反。

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逻辑运算函数

NumPy库中的逻辑运算函数：

函数名对应运算符说明
logical_and()&对两个数组执行逻辑AND运算
logical_or()丨对两个数组执行逻辑OR运算
logical_not()~对数组进行逻辑NOT运算
logical_xor()^对数组进行逻辑异或XOR运算

logical_and()函数

logical_and()函数函数接受两个参数，返回一个布尔类型数组。

np.logical_and(x1, x2) ：对两个数组 x1 和 x2 中的每个元素进行逻辑与运算，并将结果以一个新的布尔类型数组返回。对于同一位置上的元素，只有在都为 True 时，结果才为 True；否则，结果为 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，换为1，否则为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()函数

np.logical_or()函数接受两个参数，返回一个布尔类型数组。

np.logical_or(x1, x2) ：对两个数组 x1 和 x2 中的每个元素进行逻辑或运算，并将结果以一个新的布尔类型数组返回。对于同一位置上的元素，只有在都为 False 时，结果才为 False；否则，结果为 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，换为1，否则为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()函数

np.logical_not(x)：对 x 中的元素进行逻辑非（not）运算，返回一个新的数组。

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

logical_xor()函数

np.logical_xor(x1, x2)：对 x1 和 x2 中的元素进行逻辑异或（xor）运算，返回一个新的数组。

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判断函数

all(a)函数

np.all()函数用于测试数组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，因为所有元素都不为0
print(np.all(b))   # False，因为第一个元素为0
c = np.array([[1, 2, 3], [4, 5, 6]])
print(np.all(c))     # True，因为所有元素都不为0
# axis=0：沿着列方向测试所有元素是否都为True
print(np.all(c, axis=0))   # [True True False]
# axis=1：沿着行方向测试所有元素是否都为True
print(np.all(c, axis=1))   # [True  False]
d = np.array([True, False, True])
print(np.all(d))  # 输出 False

any(a)函数

np.any()函数用于测试给定数组的任意元素是否为True。它返回一个布尔值，表示数组中是否有任意一个元素为True。

import numpy as np
a = np.array([0, 1, 2])
print(np.any(a))  # 输出 True
b = np.array([False, False, False])
print(np.any(b))  # 输出 False
c = np.array([[True, False], [False, False]])
print(np.any(c))  # 输出 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] &gt; 5 ))

isnan(x)函数

np.isnan(x)函数判断一个数是否为 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)函数

np.isinf(x)函数判断一个数是否为正无穷或负无穷

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

isfinite(x)函数

np.isfinite(x)函数判断一个数是否为有限的数值

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)函数

np.allclose(a, b)函数判断两个数组是否在一定误差范围内相等

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)函数

np.array_equal(a, b)函数判断两个数组是否完全相同

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)函数

np.greater(x, y)函数 对比两个数组中的元素，返回一个表示 x 是否大于 y 的布尔数组

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)函数

np.less(x, y)函数对比两个数组中的元素，返回一个表示 x 是否小于 y 的布尔数组

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)函数

np.equal(x, y)函数对比两个数组中的元素，返回一个表示 x 是否等于 y 的布尔数组

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条件筛选函数

NumPy中可以使用条件筛选函数进行条件选择操作。

where()函数

numpy.where(condition, x, y)

where()函数说明：

np.where函数用于根据给定条件返回输入数组中满足条件的元素的索引或值。

参数：

condition：一个布尔型数组或条件表达式，用于指定筛选条件

x：满足条件时的返回值

y：不满足条件时的返回值

使用np.where函数找出数组a中大于3的元素的索引，并且将满足条件的元素从a和b对应位置的值中取出来

import numpy as np
a = np.array([1, 2, 3, 4, 5])
b = np.array([10, 20, 30, 40, 50])
# 返回满足条件的元素的索引
indices = np.where(a &gt; 3)
print(indices) # (array([3, 4], dtype=int64),)
# 返回满足条件的元素的值
values = np.where(a &gt; 3, a, b)
# 根据条件 (a &gt; 3) 可以得到一个布尔类型的数组 [False False True True True]。对于这个数组中每个元素，如果是 True 则返回 a 数组中对应的元素，否则返回 b 数组中对应的元素。所以最终结果是 [10 20 30 4 5]。
print(values) # [10 20 30  4  5]

choose()函数

numpy.choose 函数可以根据给定的索引数组从一组备选的值中进行选择。

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

a：表示从中选择值的整数数组，每个值必须是非负的且小于 len(choices)
choices：表示备选值的序列。可以是列表、元组或数组等对象，且每个对象的形状必须相同
out：可选参数，表示输出数组
mode：表示边界处理方式，默认为 'raise'（抛出异常），还可以设置为 'wrap'（循环）或 'clip'（剪切）

import numpy as np
# 定义选择数组a和备选值数组choices 
a = np.array([0, 1, 2, 2])
choices = (10, 11, 12, 13)
# 使用 choose 函数进行选择
# 从 choices 中根据 a 中的索引进行选择，得到最终的结果数组。
result = np.choose(a, choices)
print(result)  # 输出 [10 11 12 12]

select()函数

numpy.select函数则是一种更加灵活的选择方式，它可以根据多个条件来进行选择。其函数签名为：

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

condlist：表示条件列表的序列。每个条件都是一个布尔数组，且所有条件必须具有相同形状。

choicelist：表示备选值的序列。每个备选值也必须具有相同的形状

default：可选参数，表示默认值

import numpy as np
# 定义条件列表condlist和备选值列表choicelist 
condlist = [np.array([True, False]), np.array([False, True])]
choicelist = [np.array([1, 2]), np.array([3, 4])]
# 使用 select 函数进行选择
# 使用 numpy.select 函数根据条件列表从备选值列表中进行选择，得到最终的结果数组
result = np.select(condlist, choicelist)
# 第一个条件为 [True, False]，因此选择了第一个备选值 [1, 2] 中的第一个元素 1
# 第二个条件为 [False, True]，因此选择了第二个备选值 [3, 4] 中的第二个元素 4。最终得到的结果为 [1, 4]
print(result)  # 输出 [1 4]

NumPy统计运算

统计运算是指对一组数据进行统计分析的运算，常见的统计运算包括：

求和（Sum）：将一组数值加起来得到总和。
平均数（Mean）：将一组数值相加后除以数量，得到平均值。
中位数（Median）：将一组数值按从小到大的顺序排列，取中间的那个数值作为中位数。
众数（Mode）：一组数值中出现次数最多的数值。
方差（Variance）：表示数据集合各项数据与其平均数之差平方的平均数。
标准差（Standard Deviation）：是方差的正平方根。
百分位数（Percentile）：将一组数值按从小到大的顺序排列，然后找出某个百分比所处的位置

求和（Sum）

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

平均数（Mean）

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

中位数（Median）

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

众数（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)  # 输出：4

方差（Variance）

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

标准差（Standard Deviation）

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

百分位数（Percentile）

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

NumPy算术函数

函数名说明
numpy.add()将两个数组相加
numpy.subtract()从第一个数组中减去第二个数组
numpy.multiply()将两个数组相乘
numpy.divide()将第一个数组除以第二个数组
numpy.power()对第一个数组中的每个元素求指数
numpy.mod()计算两个数组的元素之间的模数（余数）
numpy.abs()返回数组中每个元素的绝对值
numpy.exp()对数组中的每个元素进行指数运算
numpy.log()对数组中的每个元素进行自然对数运算

两个数组相加

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数学函数

NumPy 提供了许多数学函数，用于对数组进行各种数学运算。

函数名说明
numpy.sin()计算数组中每个元素的正弦值。
numpy.cos()计算数组中每个元素的余弦值。
numpy.tan()计算数组中每个元素的正切值。
numpy.arcsin()计算数组中每个元素的反正弦值。
numpy.arccos()计算数组中每个元素的反余弦值。
numpy.arctan()计算数组中每个元素的反正切值。
numpy.exp()计算数组中每个元素的指数函数值。
numpy.log()计算数组中每个元素的自然对数值。
numpy.log10()计算数组中每个元素的以 10 为底的对数值。

计算数组中每个元素的正弦值：

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字符串函数

NumPy提供了一些字符串函数，用于处理数组中的字符串元素。

函数名说明
numpy.char.add()将两个字符串连接为一个字符串
numpy.char.multiply()将字符串重复多次
numpy.char.lower()将字符串中的字母转换为小写
numpy.char.upper()将字符串中的字母转换为大写
numpy.char.title()将字符串中每个单词的首字母大写
numpy.char.split()将字符串分割成子字符串，并返回一个数组
numpy.char.strip()从字符串的开头和结尾删除空格或指定字符
numpy.char.replace()使用另一个字符串替换字符串中的指定字符

将两个字符串连接起来：

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

NumPy排序函数

NumPy 提供了许多排序函数，用于对数组进行排序。

函数名说明
numpy.sort()对数组进行排序
numpy.argsort()返回数组中元素排序后的索引
numpy.lexsort()对多个序列进行排序
numpy.partition()按照指定顺序对数组进行分区
numpy.argpartition()返回将数组分成多个部分所需的索引

对数组进行排序，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]

以上就是科学计算NumPy之Ndarray运算函数操作示例汇总的详细内容，更多关于NumPy Ndarray运算函数的资料请关注其它相关文章！

相关文章