深入探索NumPy：科學(xué)計算利器的常用函數(shù)大全

在數(shù)據(jù)科學(xué)和機器學(xué)習(xí)領(lǐng)域，NumPy（Numerical Python）模塊是Python中最常用的科學(xué)計算庫之一。它提供了豐富的功能，包括數(shù)組操作、數(shù)學(xué)函數(shù)、統(tǒng)計方法等，為數(shù)據(jù)處理和分析提供了強大的工具。本文將重點介紹NumPy模塊中常用的函數(shù)，涵蓋字符串處理、數(shù)學(xué)運算、算術(shù)操作、統(tǒng)計計算、排序以及搜索等多個方面。

1. 字符串處理函數(shù)

1.1 numpy.char.add()

該函數(shù)用于執(zhí)行逐元素的字符串連接操作。例如：

import numpy as np

arr1 = np.array(['Hello', 'World'])
arr2 = np.array([' ', 'NumPy'])
result = np.char.add(arr1, arr2)

print(result)
# 輸出：['Hello ' 'WorldNumPy']

1.2 numpy.char.upper() 和 numpy.char.lower()

分別用于將字符串數(shù)組轉(zhuǎn)換為大寫和小寫形式。

arr = np.array(['hello', 'world'])
upper_case = np.char.upper(arr)
lower_case = np.char.lower(arr)

print(upper_case)
# 輸出：['HELLO' 'WORLD']

print(lower_case)
# 輸出：['hello' 'world']

2. 數(shù)學(xué)運算函數(shù)

2.1 numpy.sin() 和 numpy.cos()

用于計算輸入數(shù)組中元素的正弦和余弦值。

arr = np.array([0, np.pi/2, np.pi])
sin_values = np.sin(arr)
cos_values = np.cos(arr)

print(sin_values)
# 輸出：[0. 1. 0.]

print(cos_values)
# 輸出：[1. 0. -1.]

2.2 numpy.exp() 和 numpy.log()

分別用于計算輸入數(shù)組中元素的指數(shù)和自然對數(shù)。

arr = np.array([1, 2, 3])
exp_values = np.exp(arr)
log_values = np.log(arr)

print(exp_values)
# 輸出：[2.71828183 7.3890561  20.08553692]

print(log_values)
# 輸出：[0.  0.69314718 1.09861229]

3. 算術(shù)操作函數(shù)

3.1 numpy.add() 和 numpy.subtract()

執(zhí)行逐元素的加法和減法操作。

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
add_result = np.add(arr1, arr2)
subtract_result = np.subtract(arr2, arr1)

print(add_result)
# 輸出：[5 7 9]

print(subtract_result)
# 輸出：[3 3 3]

3.2 numpy.multiply() 和 numpy.divide()

分別執(zhí)行逐元素的乘法和除法操作。

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
multiply_result = np.multiply(arr1, arr2)
divide_result = np.divide(arr2, arr1)

print(multiply_result)
# 輸出：[4 10 18]

print(divide_result)
# 輸出：[4. 2.5 2.]

4. 統(tǒng)計計算函數(shù)

4.1 numpy.mean() 和 numpy.median()

分別計算數(shù)組元素的平均值和中位數(shù)。

arr = np.array([1, 2, 3, 4, 5])
mean_value = np.mean(arr)
median_value = np.median(arr)

print(mean_value)
# 輸出：3.0

print(median_value)
# 輸出：3.0

4.2 numpy.std() 和 numpy.var()

分別計算數(shù)組元素的標準差和方差。

arr = np.array([1, 2, 3, 4, 5])
std_value = np.std(arr)
var_value = np.var(arr)

print(std_value)
# 輸出：1.4142135623730951

print(var_value)
# 輸出：2.0

5. 排序函數(shù)

5.1 numpy.sort()

用于對輸入數(shù)組進行排序。

arr = np.array([3, 1, 4, 1, 5, 9, 2, 6, 5, 3])
sorted_arr = np.sort(arr)

print(sorted_arr)
# 輸出：[1 1 2 3 3 4 5 5 6 9]

6. 搜索函數(shù)

6.1 numpy.where()

根據(jù)指定條件返回數(shù)組中滿足條件的元素的索引。

arr = np.array([1, 2, 3, 4, 5])
indices = np.where(arr > 3)

print(indices)
# 輸出：(array([3, 4]),)

以上只是NumPy模塊中常用函數(shù)的一小部分示例。NumPy提供了眾多功能強大的函數(shù)，深入理解這些函數(shù)將幫助你更高效地進行科學(xué)計算和數(shù)據(jù)處理。通過不斷實踐和探索，你將更熟練地運用NumPy來處理各種數(shù)據(jù)分析和科學(xué)計算任務(wù)。

7. 多維數(shù)組操作函數(shù)

7.1 numpy.reshape()

用于改變數(shù)組的形狀，使其符合指定的維度。

arr = np.array([1, 2, 3, 4, 5, 6])
reshaped_arr = np.reshape(arr, (2, 3))

print(reshaped_arr)
# 輸出：
# [[1 2 3]
#  [4 5 6]]

7.2 numpy.transpose()

用于交換數(shù)組的維度。

arr = np.array([[1, 2, 3], [4, 5, 6]])
transposed_arr = np.transpose(arr)

print(transposed_arr)
# 輸出：
# [[1 4]
#  [2 5]
#  [3 6]]

8. 隨機數(shù)生成函數(shù)

8.1 numpy.random.rand()

生成指定形狀的隨機數(shù)數(shù)組，取值范圍在 [0, 1)。

random_arr = np.random.rand(2, 3)

print(random_arr)
# 輸出：
# [[0.12345678 0.45678901 0.78901234]
#  [0.23456789 0.56789012 0.89012345]]

8.2 numpy.random.randint()

生成指定范圍內(nèi)的隨機整數(shù)數(shù)組。

random_int_arr = np.random.randint(1, 10, size=(3, 3))

print(random_int_arr)
# 輸出：
# [[8 5 1]
#  [4 7 2]
#  [9 3 6]]

9. 線性代數(shù)函數(shù)

9.1 numpy.dot()

計算兩個數(shù)組的點積。

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
dot_product = np.dot(arr1, arr2)

print(dot_product)
# 輸出：
# [[19 22]
#  [43 50]]

9.2 numpy.linalg.inv()

計算矩陣的逆。

arr = np.array([[1, 2], [3, 4]])
inv_matrix = np.linalg.inv(arr)

print(inv_matrix)
# 輸出：
# [[-2.   1. ]
#  [ 1.5 -0.5]]

通過深入了解和應(yīng)用NumPy模塊中的這些常用函數(shù)，你將能夠更靈活、高效地處理各種科學(xué)計算和數(shù)據(jù)分析任務(wù)。這篇博客涵蓋了字符串處理、數(shù)學(xué)運算、算術(shù)操作、統(tǒng)計計算、排序、搜索、多維數(shù)組操作、隨機數(shù)生成和線性代數(shù)等多個方面的函數(shù)，為你提供了全面的參考。在實踐中不斷使用這些函數(shù)，并結(jié)合具體場景，將會更好地理解和掌握NumPy的強大功能。

10. 矩陣操作函數(shù)

10.1 numpy.matmul()

用于執(zhí)行矩陣乘法，與 numpy.dot() 類似。

matrix1 = np.array([[1, 2], [3, 4]])
matrix2 = np.array([[5, 6], [7, 8]])
matmul_result = np.matmul(matrix1, matrix2)

print(matmul_result)
# 輸出：
# [[19 22]
#  [43 50]]

10.2 numpy.trace()

計算矩陣的跡，即主對角線上元素的和。

matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
trace_value = np.trace(matrix)

print(trace_value)
# 輸出：15

11. 拼接和分割函數(shù)

11.1 numpy.concatenate()

用于沿指定軸拼接數(shù)組。

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6]])
concatenated_arr = np.concatenate((arr1, arr2), axis=0)

print(concatenated_arr)
# 輸出：
# [[1 2]
#  [3 4]
#  [5 6]]

11.2 numpy.split()

將數(shù)組沿指定軸分割成多個子數(shù)組。

arr = np.array([1, 2, 3, 4, 5, 6])
split_arr = np.split(arr, 3)

print(split_arr)
# 輸出：[array([1, 2]), array([3, 4]), array([5, 6])]

12. 數(shù)組元素的重復(fù)和堆疊函數(shù)

12.1 numpy.repeat()

用于沿指定軸重復(fù)數(shù)組中的元素。

arr = np.array([1, 2, 3])
repeated_arr = np.repeat(arr, 3)

print(repeated_arr)
# 輸出：[1 1 1 2 2 2 3 3 3]

12.2 numpy.tile()

用于沿指定軸堆疊數(shù)組的副本。

arr = np.array([1, 2, 3])
tiled_arr = np.tile(arr, 3)

print(tiled_arr)
# 輸出：[1 2 3 1 2 3 1 2 3]

這些矩陣操作、拼接、分割、重復(fù)和堆疊等函數(shù)為NumPy提供了更多處理多維數(shù)組的靈活性。在實際應(yīng)用中，這些函數(shù)能夠滿足各種數(shù)據(jù)處理的需求，特別是在深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等領(lǐng)域。通過熟練掌握這些函數(shù)，你將更好地處理和操作復(fù)雜的數(shù)據(jù)結(jié)構(gòu)。

13. 廣播（Broadcasting）

NumPy的廣播機制允許對形狀不同但滿足一定條件的數(shù)組進行操作，而無需顯式循環(huán)。這樣可以更方便地處理不同維度的數(shù)據(jù)。

arr1 = np.array([[1, 2, 3], [4, 5, 6]])
scalar = 10

result = arr1 * scalar

print(result)
# 輸出：
# [[10 20 30]
#  [40 50 60]]

在這個例子中，標量 scalar 被廣播到了數(shù)組 arr1 的每個元素上，實現(xiàn)了逐元素的乘法運算。廣播機制使得處理不同維度的數(shù)據(jù)變得更加簡潔和高效。

14. 通用函數(shù)（ufunc）

NumPy提供了通用函數(shù)，用于對數(shù)組進行逐元素的操作，這些函數(shù)支持廣播機制。

arr = np.array([1, 2, 3, 4, 5])
squared_arr = np.square(arr)
sqrt_arr = np.sqrt(arr)

print(squared_arr)
# 輸出：[ 1  4  9 16 25]

print(sqrt_arr)
# 輸出：[1.         1.41421356 1.73205081 2.         2.23606798]

通用函數(shù)可以直接應(yīng)用于整個數(shù)組，實現(xiàn)了對每個元素的相同操作，無需顯式循環(huán)。

15. 自定義函數(shù)

除了NumPy提供的眾多內(nèi)置函數(shù)外，你還可以自定義函數(shù)并應(yīng)用于數(shù)組。

def my_function(x):
    return x ** 2 + 2 * x + 1

arr = np.array([1, 2, 3, 4, 5])
result = my_function(arr)

print(result)
# 輸出：[ 4  9 16 25 36]

通過自定義函數(shù)，你可以根據(jù)具體需求實現(xiàn)各種復(fù)雜的操作，從而更靈活地處理數(shù)據(jù)。

16. 高級索引和切片

NumPy提供了靈活的高級索引和切片功能，使得對數(shù)組進行更復(fù)雜的操作成為可能。

16.1 花式索引

使用整數(shù)數(shù)組或布爾數(shù)組作為索引進行高級的元素選擇。

arr = np.array([1, 2, 3, 4, 5])
indices = np.array([0, 2, 4])
result = arr[indices]

print(result)
# 輸出：[1 3 5]

16.2 切片操作

對數(shù)組進行切片，可以截取數(shù)組的子集。

arr = np.array([1, 2, 3, 4, 5])
subset = arr[1:4]

print(subset)
# 輸出：[2 3 4]

16.3 布爾索引

使用布爾條件來選擇數(shù)組中的元素。

arr = np.array([1, 2, 3, 4, 5])
condition = arr > 2
result = arr[condition]

print(result)
# 輸出：[3 4 5]

17. 文件的輸入輸出

NumPy允許將數(shù)組保存到文件中，或從文件中加載數(shù)組。

17.1 保存數(shù)組到文件

arr = np.array([1, 2, 3, 4, 5])
np.save('saved_array.npy', arr)

17.2 從文件加載數(shù)組

loaded_arr = np.load('saved_array.npy')
print(loaded_arr)
# 輸出：[1 2 3 4 5]

18. NumPy與Pandas的結(jié)合

NumPy和Pandas是Python中數(shù)據(jù)科學(xué)領(lǐng)域中兩個最常用的庫，它們能夠很好地協(xié)同工作。

18.1 將NumPy數(shù)組轉(zhuǎn)換為Pandas DataFrame

import pandas as pd

arr = np.array([[1, 2, 3], [4, 5, 6]])
df = pd.DataFrame(arr, columns=['A', 'B', 'C'])

print(df)
# 輸出：
#    A  B  C
# 0  1  2  3
# 1  4  5  6

18.2 從Pandas DataFrame獲取NumPy數(shù)組

arr_from_df = df.values

print(arr_from_df)
# 輸出：
# [[1 2 3]
#  [4 5 6]]

總結(jié)：

NumPy模塊是Python中最常用的科學(xué)計算庫之一，本文深入介紹了NumPy的眾多常用函數(shù)，涵蓋了字符串處理、數(shù)學(xué)運算、算術(shù)操作、統(tǒng)計計算、排序、搜索、多維數(shù)組操作、隨機數(shù)生成、線性代數(shù)等多個領(lǐng)域。通過實例和代碼解析，讀者可以全面了解NumPy的功能，并在數(shù)據(jù)科學(xué)和機器學(xué)習(xí)項目中靈活運用。

文章中包含了以下關(guān)鍵點：

1. 字符串處理函數(shù)，如numpy.char.add()和numpy.char.upper()
2. 數(shù)學(xué)運算函數(shù)，如numpy.sin()和numpy.exp()
3. 算術(shù)操作函數(shù)，如numpy.add()和numpy.multiply()
4. 統(tǒng)計計算函數(shù)，如numpy.mean()和numpy.std()
5. 排序函數(shù)，如numpy.sort()
6. 搜索函數(shù)，如numpy.where()
7. 多維數(shù)組操作函數(shù)，如numpy.reshape()和numpy.transpose()
8. 隨機數(shù)生成函數(shù)，如numpy.random.rand()和numpy.random.randint()
9. 線性代數(shù)函數(shù)，如numpy.dot()和numpy.linalg.inv()
10. 矩陣操作函數(shù)，如numpy.matmul()和numpy.trace()
11. 拼接和分割函數(shù)，如numpy.concatenate()和numpy.split()
12. 數(shù)組元素的重復(fù)和堆疊函數(shù)，如numpy.repeat()和numpy.tile()
13. 廣播機制，簡化不同維度數(shù)組的操作
14. 通用函數(shù)（ufunc），支持廣播機制的逐元素操作
15. 高級索引和切片，包括花式索引、切片操作和布爾索引
16. 文件的輸入輸出，通過np.save()和np.load()保存和加載數(shù)組
17. NumPy與Pandas的結(jié)合，實現(xiàn)數(shù)組與數(shù)據(jù)框之間的轉(zhuǎn)換

通過深入學(xué)習(xí)這些功能，讀者將能夠更高效地處理各種科學(xué)計算和數(shù)據(jù)分析任務(wù)。NumPy為Python數(shù)據(jù)科學(xué)領(lǐng)域提供了強大的工具，同時與其他庫的結(jié)合也使得整個數(shù)據(jù)處理流程更加靈活和全面。希望本文能夠為讀者提供豐富的知識，并幫助他們在實踐中更好地利用NumPy的強大功能。文章來源地址http://www.zghlxwxcb.cn/news/detail-828721.html

到了這里，關(guān)于深入探索NumPy：科學(xué)計算利器的常用函數(shù)大全【第86篇—NumPy常用函數(shù)大全】的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！