NumPy之Ndarray運算函數操作方法有哪些

這篇文章主要介紹了NumPy之Ndarray運算函數操作方法有哪些的相關知識，內容詳細易懂，操作簡單快捷，具有一定借鑒價值，相信大家閱讀完這篇NumPy之Ndarray運算函數操作方法有哪些文章都會有所收獲，下面我們一起來看看吧。

NumPy比較運算符

NumPy中的比較運算符（>、<、==、!=、>=、<=）用于比較兩個數組的元素是否滿足一定的關系，結果是一個布爾類型的數組，其中 True 表示相應位置的元素滿足條件，False 表示不滿足。

常用的比較運算符：

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就標記為True 否則為False
print(b > 10)
print()
# BOOL賦值, 將滿足條件的設置為指定的值-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邏輯運算符

邏輯運算符（&（與）、|（或）、^（異或）、~（非））：用于對布爾數組進行邏輯運算，返回一個布爾數組。

邏輯與

其中 "&" 運算符表示邏輯與，當所有操作數均為 True 時結果才為 True，否則結果為 False。

import numpy as np
a = np.array([True, False, True])
b = np.array([False, True, True])
c = a & b  # 對 a 和 b 進行與運算，返回一個布爾數組
print(c) # [False False  True]

邏輯或

"|" 運算符表示邏輯或，在任意一個操作數為 True 時結果就為 True，只有所有操作數均為 False 時結果才為 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

"^" 運算符表示邏輯異或，在兩個操作數相同時結果為 False，在操作數不同時結果為 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

"~" 運算符表示邏輯非，對操作數取反。

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邏輯運算函數

NumPy庫中的邏輯運算函數：

logical_and()函數

logical_and()函數函數接受兩個參數，返回一個布爾類型數組。

np.logical_and(x1, x2) ：對兩個數組 x1 和 x2 中的每個元素進行邏輯與運算，并將結果以一個新的布爾類型數組返回。對于同一位置上的元素，只有在都為 True 時，結果才為 True；否則，結果為 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

np.logical_or()函數接受兩個參數，返回一個布爾類型數組。

np.logical_or(x1, x2) ：對兩個數組 x1 和 x2 中的每個元素進行邏輯或運算，并將結果以一個新的布爾類型數組返回。對于同一位置上的元素，只有在都為 False 時，結果才為 False；否則，結果為 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

np.logical_not(x)：對 x 中的元素進行邏輯非（not）運算，返回一個新的數組。

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

logical_xor()函數

np.logical_xor(x1, x2)：對 x1 和 x2 中的元素進行邏輯異或（xor）運算，返回一個新的數組。

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

all(a)函數

np.all()函數用于測試數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，因為所有元素都不為0
print(np.all(b))   # False，因為第一個元素為0
c = np.array([[1, 2, 3], [4, 5, 6]])
print(np.all(c))     # True，因為所有元素都不為0
# axis=0：沿著列方向測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

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

np.isnan(x)函數判斷一個數是否為 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

np.isinf(x)函數判斷一個數是否為正無窮或負無窮

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

np.isfinite(x)函數判斷一個數是否為有限的數值

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

np.allclose(a, b)函數判斷兩個數組是否在一定誤差范圍內相等

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

np.array_equal(a, b)函數判斷兩個數組是否完全相同

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

np.greater(x, y)函數 對比兩個數組中的元素，返回一個表示 x 是否大于 y 的布爾數組

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

np.less(x, y)函數對比兩個數組中的元素，返回一個表示 x 是否小于 y 的布爾數組

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

np.equal(x, y)函數對比兩個數組中的元素，返回一個表示 x 是否等于 y 的布爾數組

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

NumPy中可以使用條件篩選函數進行條件選擇操作。

where()函數

numpy.where(condition, x, y)

where()函數說明：

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

參數：

condition：一個布爾型數組或條件表達式，用于指定篩選條件

x：滿足條件時的返回值

y：不滿足條件時的返回值

使用np.where函數找出數組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對應位置的值中取出來

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)
# 根據條件 (a > 3) 可以得到一個布爾類型的數組 [False False True True True]。對于這個數組中每個元素，如果是 True 則返回 a 數組中對應的元素，否則返回 b 數組中對應的元素。所以最終結果是 [10 20 30 4 5]。
print(values) # [10 20 30  4  5]

choose()函數

numpy.choose 函數可以根據給定的索引數組從一組備選的值中進行選擇。

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

a：表示從中選擇值的整數數組，每個值必須是非負的且小于 len(choices)
choices：表示備選值的序列。可以是列表、元組或數組等對象，且每個對象的形狀必須相同
out：可選參數，表示輸出數組
mode：表示邊界處理方式，默認為 'raise'（拋出異常），還可以設置為 'wrap'（循環）或 'clip'（剪切）

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

select()函數

numpy.select函數則是一種更加靈活的選擇方式，它可以根據多個條件來進行選擇。其函數簽名為：

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

condlist：表示條件列表的序列。每個條件都是一個布爾數組，且所有條件必須具有相同形狀。

choicelist：表示備選值的序列。每個備選值也必須具有相同的形狀

default：可選參數，表示默認值

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 函數進行選擇
# 使用 numpy.select 函數根據條件列表從備選值列表中進行選擇，得到最終的結果數組
result = np.select(condlist, choicelist)
# 第一個條件為 [True, False]，因此選擇了第一個備選值 [1, 2] 中的第一個元素 1
# 第二個條件為 [False, True]，因此選擇了第二個備選值 [3, 4] 中的第二個元素 4。最終得到的結果為 [1, 4]
print(result)  # 輸出 [1 4]

NumPy統計運算

統計運算是指對一組數據進行統計分析的運算，常見的統計運算包括：

求和（Sum）：將一組數值加起來得到總和。
平均數（Mean）：將一組數值相加后除以數量，得到平均值。
中位數（Median）：將一組數值按從小到大的順序排列，取中間的那個數值作為中位數。
眾數（Mode）：一組數值中出現次數最多的數值。
方差（Variance）：表示數據集合各項數據與其平均數之差平方的平均數。
標準差（Standard Deviation）：是方差的正平方根。
百分位數（Percentile）：將一組數值按從小到大的順序排列，然后找出某個百分比所處的位置

求和（Sum）

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

平均數（Mean）

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

中位數（Median）

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

眾數（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

標準差（Standard Deviation）

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

百分位數（Percentile）

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

NumPy算術函數

兩個數組相加

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數學函數

NumPy 提供了許多數學函數，用于對數組進行各種數學運算。

計算數組中每個元素的正弦值：

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

NumPy提供了一些字符串函數，用于處理數組中的字符串元素。

將兩個字符串連接起來：

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

NumPy 提供了許多排序函數，用于對數組進行排序。

對數組進行排序，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]

關于“NumPy之Ndarray運算函數操作方法有哪些”這篇文章的內容就介紹到這里，感謝各位的閱讀！相信大家對“NumPy之Ndarray運算函數操作方法有哪些”知識都有一定的了解，大家如果還想學習更多知識，歡迎關注億速云行業資訊頻道。