[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
36
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 = ...
最新文章
- 转:字体集选择font-family
- centos7全离线安装docker1.17.12
- 阿里云云安全中心入选Gartner CWPP全球市场指南
- SpringCloud微服务注册调用入门教程
- 再记一下sscanf的一个小问题
- 平衡二叉查找树的构造与遍历(C++)
- SpringBoot是什么?
- 想用Python做自动化测试?Python反射机制的应用
- 计算机网络——信息安全
- 封装pc端获取经纬度 百度地图
- mysql 分组查询 语句_MySQL分组查询
- 【JVM系列JKD8】参数参考表
- 夜雪潇潇,飘如落羽,一片片一朵朵
- Linux下LED灯驱动模板详解
- EXCEL 带公式单元格自动填充
- 一Flash从入门开发者放弃了成长之路
- 干货 | 万字详解整个数据仓库设计体系
- java电商商品搜索_Java生鲜电商平台-搜索模块的设计与架构
- Python 将拼音转换成汉字
- 洛谷noip 模拟赛 day1 T3
热门文章
- mysql 列 随机数_MYSQL中生产随机数或随机字符串
- 2020 年百度之星·程序设计大赛 - 初赛一 Drink
- 【JSOI2008】【bzoj1012】最大数maxnumber
- C++奥赛一本通刷题高精度题解
- linux没有检测到触摸板,linux – 制作没有按钮的触摸板,就像带有按...
- 通过键盘事件执行查询与回填数据
- field list什么意思_Redis:我这21个灵魂拷问你拿什么挡?
- 2017蓝桥杯B组:最长公共子序列(动态规划详解(配图))
- Project Euler 628: Open chess positions(公式)
- JDK源码解析--Object类