Numpy基础入门（四）

精彩文章

文末免费领取500G干货教程

今日分享：ufunc运算及统计函数

Numpy库是一个科学计算库，既包括常见的四则运算布尔运算，也包括强大的函数运算，比如统计函数、各种数值处理函数、线性代数中的一些函数及概率论中的函数。在本文中着重介绍简单函数（类似于python中的函数）和一些常见的统计函数。

一：ufunc（一般函数）运算

四则运算

Numpy提供了很多ufunc函数，比如在python中接触到的加减乘除一类的，下面简单了解一下：

In [2]: a = np.array([1,2,3,4])

In [3]: b = np.array([2,3,4,5])

In [4]: np.add(a,b)

Out[4]: array([3, 5, 7, 9])

以上是计算数组a、b的和，其计算过程就是把相对应位置上的元素进行函数计算，输出结果是一个数组，如果未指定out参数，它将会重新产生一个新数组来保存结果

In [5]: np.add(a,b,a)

Out[5]: array([3, 5, 7, 9])

在这两行代码中，并不是a+b+a的意思，而是将前两个a+b的结果传递给a数组，第二个a就是输出结果参数out，代码中也可以写成 out=a ，通过这样的运算，a数据就不再是原始数组，而是新的一个数组，下面给出其他的四则运算函数：

np.suntract(a,b,[out=a or b])

减法

np.multiply(a,b,[out=a or b])

乘法

np.divide(a,b,[out=a or b])

除法

np.true_divide(a,b,[out=a or b])

除法，并返回精确的值，和上面的效果一样

np.floor_divide(a,b,[out=a or b])

除法，返回整数位数字，注意不进行四舍五入

np.negative(a,b,[out=a or b])

取反运算

np.power(a,b,[out=a or b])

幂运算

np.mod(a,b,[out=a or b])或np.remainder(a,b,[out=a or b])

取余运算

注意：以上中括号中的内容是可选的，并且输出结果参数只能在运算数组中选择某个。

比较运算

比较运算指的是利用 > 、

In [31]: a = np.array([1,2,3])

In [32]: b = np.array([3,2,1])

In [33]: a < b

Out[33]: array([ True, False, False], dtype=bool)

比较运算也是将对应位置的函数按照运算函数进行运算，返回布尔值到数组，下面给出其他的比较运算函数：

np.equal(a,b,[out=a or b])

表示a < b运算

np.not_equal(a,b,[out=a or b])

表示a = b运算

np.less(a,b,[out=a or b])

表示a < b运算

np.less_equal(a,b,[out=a or b])

表示a

np.greater(a,b,[out=a or b])

表示a > b运算

np.greater_equal(a,b,[out=a or b])

表示a >= b运算

比较运算仍可进行out参数设置，具体细节同上。

布尔运算

是指将多个比较运算的结果进行比较，由于比较运算结果是布尔形式的数组，因此成为布尔运算，其结果仍是一个布尔数组，布尔运算无非是not，and，or

这三个，但是需要注意的是，numpy中这些逻辑运算符都是以logical开头的，下面看一个示例：

In [31]: a = np.array([1,2,3])

In [32]: b = np.array([3,2,1])

In [33]: a < b

Out[33]: array([ True, False, False], dtype=bool)

In [34]: a == b

Out[34]: array([False, True, False], dtype=bool)

In [35]: np.logical_and(a

Out[35]: array([False, False, False], dtype=bool)

创建了两个数组，并进行比较运算，再将其进行布尔逻辑运算，得到一个全为Flase的数组，其实就是判断a < b和a == b是否同时存在，显然是不可能的，一个数不可能既小于又等于另外一个数。

二：描述性统计函数

下面介绍一些Numpy中基础的描述性的统计函数，以后在Pandas库中还会用到这些，届时也会拓展一些另外的统计分析函数。

In [45]: a = np.arange(12).reshape(3,4)

In [46]: a

Out[46]:

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11]])

In [48]: np.max(a)

Out[48]: 11

按代码操作，提取整个数组的最大值

In [49]: np.max(a,axis=1)

Out[49]: array([ 3, 7, 11])

当设定轴参数axis为1时，是按行寻求最大值，总共三行，所以输出三个行最大值。

In [51]: np.max(a,axis=0)

Out[51]: array([ 8, 9, 10, 11])

当设定轴参数axis为0时，是按列寻求最大值，总共四列，所以输出四个列最大值。

其他的函数如下：

np.min()

求最小值

np.argmax()

求最大值的出现位置

np.maxmin()

求最小值的出现位置

np.sum()

求和

np.std()

求标准差

np.var()

求方差

np.ptp()

求极差

np.sort()

排序

np.median

求中位数

np.mean()

求平均数

np.average()

求平均数

这些描述性统计函数的具体操作方法与代码示例操作类似，可进行参数axis设置、参数out设置、dtype数据类型设置，大家可仿照练习。

干货免费分享

关注公众号即可一键领取

省去找资料的麻烦

为您的学习保驾护航

您的点赞与转发是我们前进的最大动力！

扫二维码进交流学习群