如何自己买域做网站,黑龙江营商监督建设局网站,无为县建设局网站,企业邮箱app下载1 数组的数学运算
NumPy 提供了一系列用于数组运算的函数和操作符#xff0c;这些运算可以作用于数组的每个元素上。常见的数学运算包括加、减、乘、除等。
1.1 元素级运算
NumPy 支持对数组的每个元素进行逐元素运算。这些操作可以通过标准的数学符号或 NumPy 函数来完成。…1 数组的数学运算
NumPy 提供了一系列用于数组运算的函数和操作符这些运算可以作用于数组的每个元素上。常见的数学运算包括加、减、乘、除等。
1.1 元素级运算
NumPy 支持对数组的每个元素进行逐元素运算。这些操作可以通过标准的数学符号或 NumPy 函数来完成。
import numpy as np# 创建两个数组
a np.array([1, 2, 3, 4])
b np.array([10, 20, 30, 40])# 元素级加法
add_result a b
print(加法结果, add_result)# 元素级减法
sub_result a - b
print(减法结果, sub_result)# 元素级乘法
mul_result a * b
print(乘法结果, mul_result)# 元素级除法
div_result a / b
print(除法结果, div_result)1.2 幂运算和模运算
NumPy 还支持数组的幂运算和模运算分别使用 ** 和 % 操作符。
# 幂运算
power_result a ** 2
print(幂运算结果, power_result)# 模运算
mod_result b % 3
print(模运算结果, mod_result)1.3 数组的数学函数
NumPy 提供了丰富的数学函数库用于计算数组中的常用数学操作如平方根、对数、三角函数等。
# 计算平方根
sqrt_result np.sqrt(a)
print(平方根, sqrt_result)# 计算自然对数
log_result np.log(a)
print(自然对数, log_result)# 计算正弦值
sin_result np.sin(a)
print(正弦值, sin_result)这些函数可以直接作用于数组的每个元素上无需编写循环能够极大提高代码的简洁性和执行效率。 2 数组与标量运算
NumPy 支持数组与标量之间的运算。标量可以与数组的每个元素进行加、减、乘、除等操作这在数学建模和物理模拟中非常有用。
# 数组与标量加法
add_scalar a 5
print(数组与标量加法, add_scalar)# 数组与标量乘法
mul_scalar b * 2
print(数组与标量乘法, mul_scalar)# 数组与标量除法
div_scalar b / 10
print(数组与标量除法, div_scalar)数组与标量的运算会在内部自动将标量扩展为与数组相同的形状从而进行逐元素操作这就是 广播机制 的一部分内容后面将详细介绍。 3 数组间的运算
NumPy 允许对两个形状相同的数组进行逐元素运算。常见的运算符如 、-、*、/ 都可以用于两个数组之间。下面我们来看一些常见的数组间运算。
1 数组加法
# 创建两个形状相同的数组
arr1 np.array([[1, 2, 3], [4, 5, 6]])
arr2 np.array([[10, 20, 30], [40, 50, 60]])# 逐元素加法
result_add arr1 arr2
print(数组加法结果\n, result_add)2 数组减法
# 逐元素减法
result_sub arr2 - arr1
print(数组减法结果\n, result_sub)3 数组乘法和除法
# 逐元素乘法
result_mul arr1 * arr2
print(数组乘法结果\n, result_mul)# 逐元素除法
result_div arr2 / arr1
print(数组除法结果\n, result_div)4 矩阵乘法
值得注意的是* 运算符进行的是逐元素乘法而 矩阵乘法 可以使用 dot() 函数或 运算符。
# 进行矩阵乘法
result_dot np.dot(arr1, arr2.T) # 使用转置使其适配矩阵乘法的规则
print(矩阵乘法结果\n, result_dot)矩阵乘法广泛应用于机器学习、神经网络和物理模拟等领域。 4 广播机制Broadcasting
广播机制 是 NumPy 的一项强大功能它允许在不相同形状的数组之间进行运算。NumPy 会自动扩展较小的数组以适应较大数组的形状从而实现元素级运算。这种机制可以有效减少数据的冗余提升代码效率。
4.1 广播的基本规则
广播机制遵循以下规则
如果两个数组的维度不相同则在低维数组的左边补齐维度使得两个数组具有相同的维度数。如果两个数组在某个维度上的长度不一致则较短的数组会被扩展为较长的数组。如果其中一个数组的某个维度为 1那么它将在计算时沿着这个维度进行复制。
4.2 广播实例
以下是一个简单的广播例子一个一维数组与二维数组进行运算。
# 创建一个二维数组和一个一维数组
arr2d np.array([[1, 2, 3], [4, 5, 6]])
arr1d np.array([10, 20, 30])# 进行广播运算
broadcast_result arr2d arr1d
print(广播机制运算结果\n, broadcast_result)在这个例子中arr1d 被扩展为与 arr2d 具有相同的形状然后进行逐元素加法。
4.3 高级广播操作
在多维数组中广播可以极大减少数据冗余。例如
# 创建一个 3x1 的数组
arr_a np.array([[1], [2], [3]])# 创建一个 1x3 的数组
arr_b np.array([10, 20, 30])# 进行广播操作
broadcast_result arr_a arr_b
print(高级广播运算结果\n, broadcast_result)在这个例子中arr_a 会沿着列方向扩展arr_b 会沿着行方向扩展最终得到一个 3x3 的矩阵。 5 特殊数组运算: 条件运算与逻辑运算
除了基本的数学运算NumPy 还支持条件判断和逻辑运算这在数据筛选和科学计算中非常有用。
5.1 条件运算
NumPy 支持对数组进行条件判断返回布尔值数组。
arr np.array([1, 2, 3, 4, 5])# 判断哪些元素大于 3
cond_result arr 3
print(大于 3 的元素, cond_result)5.2 数组筛选
可以根据条件运算结果进行数组筛选。
# 筛选大于 3 的元素
filtered_arr arr[arr 3]
print(筛选出的元素, filtered_arr)
