[转载] python numpy--矩阵的通用函数

参考链接： Python中的numpy.logical_xor

一、概念

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，并产生一个或多个标量值）的矢量化包装器通用函数的输入是一组标量，输出也是一组标量，它们通常可以对应于基本数学运算，如加、减、乘、除等。

二、分类

1.一元函数

它们接受一个数组。返回一个结果数组，当然也能返回两个数组(modf函数)，但是这种的不是很常见；

（1）abs fabs

import numpy as np #导入模块

a = np.mat(np.arange(-4,3)) #创建一个矩阵

np.abs(a) # 对矩阵a取绝对值

np.fabs(a) # 对矩阵a取浮点类的绝对值

(2) sqrt () 平方根 square() 平方

b = np.mat(range(1,6)) #创建一个矩阵

np.sqrt(b) #b的平方根

np.square(b) #b的平方

(3)log log10 log2 log1p

c = np.mat([1,2,np.e,np.e+1,4,10,100]) #创建一个矩阵

np.log(c) #以e为底

np.log10(c)# log以10为底

np.log2(c)#log2以2为底

np.log1p(c) #在c的基础上每一个值加上一个1，再以e为底的对数 log1p（x）==log(1+x)

np.log1p(np.e-1)

(4)sign ceil floor rint

d = np.mat([

[2.3,4.6],

[1.2,1.8]

]) #创建一个矩阵

np.sign(d) #符号位 +1:正数 -1：负数 0：0

np.ceil(d) #向上取整右

np.floor(d)#向下取整左

np.rint(d) #四舍五入

e = np.mat([

[1,4,8],

[2,3,7]

])

# e*0.1 #快速变成浮点数

np.rint(e)#四舍五入的方法也可以

（5）modf 分别返回小数部分和整数部分

这就是输入一个数组，返回两个数组的函数

arr1,arr2=np.modf(d)

#arr1 返回的是小数部分，arr2返回的是整数部分

（6）isnan() 判断不是数字

nan: not a number

f=np.array([1,2,np.nan,np.nan,3]) #创建一个矩阵不是数字的就转换为np.nan np.inf 是无穷大，是个数字类型

np.isnan(f)

（7）cos sin tan

g=np.mat([0,np.pi/4,np.pi/2,np.pi*3/4]) #创建一个矩阵，里面表示的是角度

g*2 #所有的角度都放大2倍

np.cos(g) # 求角度的cos值

np.set_printoptions(precision=3)#科学计数法设置显示3位小数，作为了解吧！

np.tan(g) #求角度的tan值

(8)logical_not

import numpy as np

a = np.mat(np.arange(-4,3))

print(a)

b = np.logical_not(a)

print(b)

只有0为真，其他都为假

2.二元函数

它们接受两个数组，并返回一个结果数组。

#准备三个矩阵

a = np.mat([1,2,3,4])

b = np.mat([5,6,7,8])

c = np.mat([9,10,11,12])

（1）power() 求幂

np.power(b,a) #矩阵本身是二维的，有人问为什么返回的结果是两个中括号

np.power(b,2)

（2）maximum、minimum 元素级运算

如果两个矩阵的元素不一样多的话则会报错

#准备两个矩阵

arr1 = np.mat([1,8,2,9])

arr2 = np.mat([6,3,5,4])

np.maximum(arr1,arr2)

matrix([[6, 8, 5, 9]])

返回的是两个数组中对应位大的数值。

np.minimum(arr1,arr2)

matrix([[1, 3, 2, 4]])

返回的是两个数组中对应位小的数值

（3）greater 大于 ,greater_equal 大于等于

得到的是布尔矩阵或则数组

np.greater(arr1,arr2)

matrix([[False, True, False, True]])

（4）逻辑"与"：logical_and ,“或”：logical_or,“非”：logical_xor

在python中非0为真

#准备一个矩阵

d = np.mat('2 0;1 0')

e = np.mat('0 2;1 0')

#与

np.logical_and(d,e) #对应位都为真，结果为真，否则为假

matrix([[False, False],

[ True, False]])

#或

np.logical_or(d,e) #对应位其中一位为真则为真，都为假则为假

matrix([[ True, True],

[ True, False]])

#非

np.logical_xor(d,e) #相同为false ,不同是true

matrix([[ True, True],

[False, False]])

三、自定义通用函数

步骤： step1:定义并设置函数内容 step2:使用np.frompyfunc（函数名，输入参数个数 Int ,输出值的个数 int）创建通用函数

1、自定义函数1，简单定义写个代码

# 写一个通用函数返回与参数结构相同的zero矩阵

#step1:

def copyshape(a):

return np.zeros_like(a)

#step2:

ucopyshape = np.frompyfunc(copyshape,1,1)

#step3:使用函数

f = np.mat('1,2;3,4') #创建一个2*2的矩阵

ucopyshape(f) #返回的是与f矩阵相同结构2*2的值为0 的矩阵

matrix([[0, 0],

[0, 0]], dtype=object)

2、自定义函数2，返回所有元素的平方，传入一个参数，输出一个参数

# step1:

def square(a): # 定义函数名和参数

return a**2 # 返回参数的平方

#step2

usquare = np.frompyfunc(square,1,1) #使用该函数创建通用函数，传入一个参数，输出一个参数

#step3:使用这个通用函数

usquare(np.mat('1 3 5 7'))

matrix([[1, 9, 25, 49]], dtype=object)

3、自定义函数3，返回两个矩阵对应位的平方和，传入2个，输出1个

# step1

def square_add(a,b):

return a**2 + b**2

#step2

usquare_add = np.frompyfunc(square_add,2,1)

#step3:使用参数

g1 = np.mat('1 2 3 4')

g2 = np.mat('6 5 4 3')

usquare_add(g1,g2)

4、自定义函数4，返回一个矩阵的平方第二个矩阵的立方传入两个参数，输出2个参数

# step1

def square_cubic(a,b):

return a**2,b**3

#step2

usquare_cubic = np.frompyfunc(square_cubic,2,2)

#step3:使用函数

a,b = usquare_cubic(np.mat('1 2 3'),np.mat('4 5 6')) #因为输出的是2个，所以放2个变量来进行存储

四、numpy中已有的通用函数

有四种：

1…add.accumulate()

递归作用于输入的数组，将运算的中间结果返回 axis决定方向

a = np.arange(9) #准备一个数组

np.add.accumulate(a)

array([ 0, 1, 3, 6, 10, 15, 21, 28, 36], dtype=int32)

以下加入axis： axis=0表述列 axis=1表述行

a.reshape(3,3) #把数组a变成3*3的数组

array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

np.add.accumulate(a.reshape(3,3),axis=0) #竖着加

array([[ 0, 1, 2],

[ 3, 5, 7],

[ 9, 12, 15]], dtype=int32)

np.add.accumulate(a.reshape(3,3),axis=1) #横着加

array([[ 0, 1, 3],

[ 3, 7, 12],

[ 6, 13, 21]], dtype=int32)

2.add.reduce（）求和

axis决定方向

a数组是： array([0, 1, 2, 3, 4, 5, 6, 7, 8])

np.add.reduce(a) #参数要是一个数组，矩阵就不适用了

以下加入axis:

b=np.arange(12).reshape(3,4) #准备一个3行4列的数组

array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])

np.add.reduce(b,axis=0) #竖着加

array([12, 15, 18, 21])

np.add.reduce(b,axis=1) #横着加

array([ 6, 22, 38])

3.add.reduceat()

需要输入数组以及索引值列表作为参数按照区间计算方式进行求和 a数组是： array([0, 1, 2, 3, 4, 5, 6, 7, 8])

#相当于sum(a[0:5]) sum(s[5]) sum(a[2:7]) sum(a[7:])

np.add.reduceat(a,[0,5,2,7])

array([10, 5, 20, 15], dtype=int32)

4.add.outer(a,b)

a的每一个值加上b的所有值，作用于第一个参数的元素以及第二个参数的整体

a数组是： array([0, 1, 2, 3, 4, 5, 6, 7, 8])

c = np.array([1,3,5,7])

np.add.outer(c,a) # c的每一个值加上a的所有值

array([[ 1, 2, 3, 4, 5, 6, 7, 8, 9],

[ 3, 4, 5, 6, 7, 8, 9, 10, 11],

[ 5, 6, 7, 8, 9, 10, 11, 12, 13],

[ 7, 8, 9, 10, 11, 12, 13, 14, 15]])

np.add.outer(a,c) #a的每一个值加上c的所有值

array([[ 1, 3, 5, 7],

[ 2, 4, 6, 8],

[ 3, 5, 7, 9],

[ 4, 6, 8, 10],

[ 5, 7, 9, 11],

[ 6, 8, 10, 12],

[ 7, 9, 11, 13],

[ 8, 10, 12, 14],

[ 9, 11, 13, 15]])

np.add.outer(np.mat('1,2;3,4'),np.mat('4 5;6 7')) #返回的是一个数组

array([[[[ 5, 6],

[ 7, 8]],

[[ 6, 7],

[ 8, 9]]],

[[[ 7, 8],

[ 9, 10]],

[[ 8, 9],

[10, 11]]]])

[转载] python numpy--矩阵的通用函数相关推荐

[转载] python numpy 总结
参考链接: Python中的numpy.compress 先决条件在阅读这个教程之前,你多少需要知道点python.如果你想重新回忆下,请看看Python Tutorial. 如果你想要运行教程中的 ...
[转载] python numpy.random.randn()与numpy.random.rand()的区别 (正态分布公式)（标准正态分布 standard normal distribution
参考链接: Python中的numpy.random.randn 引用文章: numpy.random.randn()与numpy.random.rand()的区别 https://www.cnblo ...
python numpy矩阵的数据类型转换
在python中,numpy矩阵的数据类型转换需要调用astype(),直接修改dtype是无效的.调用astype返回数据类型修改后的矩阵,但是源数据的类型不会变,需要再对源数据的赋值进行操作才可以 ...
python numpy矩阵的旋转, 转置, 正对角线镜像, 副对角线镜像, 行交换, 列交换操作 rot90()
引用文章: NumPy矩阵的旋转 http://liao.cpython.org/numpy13/
[python] Numpy矩阵定义、运算生成随机矩阵
一.矩阵定义.运算对多维数组的运算,默认情况并不运算矩阵.如果需要对数组进行矩阵运算,矩阵是继承自numpy数组对象的二维数组对象.Numpy中,矩阵计算是针对整个矩阵中每个元素进行的,与用for循 ...
python矩阵除法,Python numpy Python numpy矩阵处理运算工具用法汇总
numpy是用于处理矩阵运算非常好的工具.执行效率高,因为其底层是用的是C语句使用numpy,需要将数据转换成numpy能识别的矩阵格式. 基本用法: numpy.array(object, dty ...
[转载] Python numpy函数：all（）和any（）比较矩阵
参考链接: Python中的any和all 数组元素的比对,我们可以直接使用"=="进行比较,比如: 但是当数组元素较多时,查看输出结果便变得很麻烦,这时我们可以使用all()方法 ...
MATLAB与Python numpy矩阵操作对应表
背景 NumPy和Matlab不一样,对于多维数组的运算,缺省情况下并不使用矩阵运算,可以调用相应的函数对数组进行矩阵运算.或者使用numpy库提供了的matrix类,用matrix类创建的是矩阵对象 ...
Python Numpy 矩阵级基本操作(2)
1.开方与求e指数 import numpy as np from numpy.matlib import randnprint "Test sqrt and exp" arr = ...

[转载] python numpy--矩阵的通用函数

[转载] python numpy--矩阵的通用函数相关推荐

最新文章

热门文章