NumPy入门完全解读（补充）

原创于 2025-09-25 23:41:24 发布 · 498 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

本文提要：本文将结束NumPy入门阶段需要掌握的所有知识点。

文章目录

一、常用操作（下）

一、常用操作（下）

np.stack(array,axis=0)

arrays: Sequence[ArrayLike]
沿新轴连接一系列数组，序列中的数组拥有相同的shape

lis = [[1, 2, 3], [5, 6, 7]]
arrays = [np.array(lis) for _ in range(5)]
print(arrays)
print(np.stack(arrays, axis=0).shape) # 最常用
print(np.stack(arrays, axis=2).shape)
print(np.stack(arrays, axis=1))

np.hstack(tup) / np.vstack(tup)

tup: Sequence[ArrayLike]
第一个是通过水平堆叠来生成数组
第二个是通过垂直堆叠来生成数组

a = np.array((1, 2, 3)) # 一维的
b = np.array((4, 5, 6))
print(np.hstack((a,b)))
print(np.vstack((a,b)))
c = np.array([[1], [2], [3]])
d = np.array([[4], [5], [6]])
print(np.hstack((c,d)))
print(np.vstack((c,d)))

np.repeat(a,repeats,axis=None)

repeats: 重复次数
axis：指定重复值的轴。没指定时，默认扁平化处理
重复数组中的元素

x = np.array([[1, 2], [3, 4]])
print(np.repeat(x, 2)) # 扁平化后依次重复[1 1 2 2 3 3 4 4]
print(np.repeat(x, 2, axis=0)) # 直接对行进行重复
print(np.repeat(x, [2,3], axis=1)) # 对列上的元素进行重复，第一列重复两次，第二列重复三次

np.unique(arr,return_index=False,return_inverse=False,return_counts=False,axis=None)

arr：输入的数组或array_like
return_index：为True时，还会返回新数组元素在旧数组中的下标
return_inverse：为True时，还会返回旧数组元素在新数组中的下标
return_counts：为True时，还会返回去重数组中的元素在原数组中的出现次数
axis：指定操作的轴。没指定时，默认扁平化处理
返回数组中排序的唯一元素，重复元素会被去除，只保留一个

print(np.unique([3, 3, 1, 1, 2, 2, 2],return_index=True))
print(np.unique([3, 3, 1, 1, 2, 2, 2],return_inverse=True))
print(np.unique([3, 3, 1, 1, 2, 2, 2],return_counts=True))
a = np.array([[1, 0, 0], [1, 0, 0], [2, 3, 4]])
print(np.unique(a, axis=0)) # 行排序，有重复去重行，确有重复
print(np.unique(a, axis=1)) # 列排序，有重复去重列，没有重复列

np.dot(a,b)

两个数组的点积

a = [1, 2, 3]
b = [1, 0, 2]
print(np.dot(a, b)) # 对位相乘再相加，一般用在一维数组运算上
c = np.identity(2, dtype=np.int32)
d = [[4, 1], [2, 2]]
print(np.dot(c, d))

np.matmul(x1,x2)
其用法可以用@操作符来代替

两个数组的矩阵乘积

print(np.matmul(c, d))
print(c @ d) # 必须要有一个是ndarray

np.greater(x1,x2) / np.greater_equal(x1,x2) / np.less(x1,x2) / np.less_equal(x1,x2) / np.equal(x1,x2) / np.not_equal(x1,x2)

x1,x2的形状必须相同，或者可以广播
第一个按元素判断x1>x2的结果
第二个按元素判断x1>=x2的结果
第三个按元素判断x1<x2的结果
第四个按元素判断x1<=x2的结果
第五个按元素判断x1==x2的结果
第六个按元素判断x1!=x2的结果

print(np.greater([4, 2], [2, 2]))
print(np.array([4, 2]) > np.array([2, 2]))

np.sin(x) / np.cos(x) / np.tan(x) / np.arcsin(x) / np.arccos(x) / np.arctan(x)

x: 角度（就是幅度值）
正弦函数 / 余弦函数 / 正切函数 / 反正弦函数 / 反余弦函数 / 反正切函数

# Numpy中具有很多的数学函数工具，对数组中的元素进行批量处理
arr1 = np.array([np.pi/12, np.pi/6, np.pi/4, np.pi/3, np.pi/2, np.pi])
c1 = np.sin(arr1)
print(c1)
arr2 = [-1, -0.5, 0, 0.5, 1]
c2 = np.arccos(arr2)
print(c2)

np.floor(x) / np.ceil(x)

返回x的底限 / 上限（可进行批处理）

a = np.array([-1.7, -1.5, -0.2, 0.2, 1.5, 1.7, 2.0])
print(np.floor(a))
print(np.ceil(a))

ndarray.max(axis=None,keepdims=False) / ndarray.min(axis=None,keepdims=False)

返回沿给定轴的最大/小值，axis没有指定时，默认为None，表示返回所有元素的最大/小值

lis = [[0, 1, 7, 3], [4, 9, 6, 2], [8, 5, 11, 10]]
arr1 = np.array(lis)
print(arr1)
print(arr1.max())
print(arr1.max(axis=0)) # 有三行，就是三兄弟，现在来比较三兄弟各自的家当
print(arr1.max(axis=1, keepdims=True)) # 比较内层括号中的数，并保持维度不变

ndarray.mean(axis=None,keepdims=False) / ndarray.var(axis=None,keepdims=False) / ndarray.std(axis=None,keepdims=False)

返回沿给定轴的平均值/方差/标准差，axis没有指定时，默认为None，表示返回所有元素的平均值/方差/标准差

print(arr1.mean(axis=0)) 
print(arr1.var(axis=0)) 
print(arr1.std(axis=0))

np.prod(a,axis=None,keepdims=np._NoValue,initial=np._NoValue) / np.sum(a,axis=None,keepdims=np._NoValue,initial=np._NoValue)

返回给定轴上数组元素的乘积/和

print(arr1.prod(axis=0)) 
print(arr1.prod(axis=0, initial=10)) # 把初始值乘进去
print(arr1.sum(axis=0)) 
print(arr1.sum(axis=0, initial=10))  # 把初始值加进去

np.exp(x) / np.log(x) / np.log2(x) / np.log10(x)

计算e的x幂次方 / 计算x的自然对数 / 计算x的以2为底的对数 / 计算x的以10为底的对数

print(np.exp([1, 2, 3]))
print(np.log([1, np.e, np.e**2]))
print(np.log2([1, 2, 2**4]))
print(np.log10([1, 10, 1e-15]))

np.sort(a,axis=-1)

返回排序之后的新数组

a = np.array([[4, 1], [3, 2]])
print(np.sort(a))
print(np.sort(a,axis=0))
print(np.sort(a,axis=None)) # 扁平化处理

np.nonzero(a)

返回非零元素的索引

x = np.array([[3, 0, 0], [0, 4, 0], [5, 6, 0]])
print(np.nonzero(x))
print(x[np.nonzero(x)]) # 组合索引
# 可以使用np.nonzero()获得数组中大于3的索引
y = np.array([[3, 7, 2], [0, 4, 1], [5, 6, 0]])
print(y[y>3]) # 获得值
print(np.nonzero(y>3)) # 获得索引

np.where(condition,x=None,y=None)

condition: array_like, bool
x,y: array_like，要么都传参，要么都不传
如果传三个参数，条件成立返回x，不成立时返回y
如果只传第一个参数，返回符合条件的元素的索引

print(y)
print(y>3)
print(np.where(y>3))
print(np.where(y>3, True, False))

np.argwhere(a)

找出数组中按元素分组的非零元素的索引

x = np.arange(6).reshape(2, 3)
coords = np.argwhere(x>1)
print(coords)
print(coords[:, 0]) # 组合索引，有降维
print(coords[:, 0:1]) # 多维切片，没降维
print(x[coords[:, 0], coords[:,1]])
print(x[np.where(x>1)])
print(x[coords[:, 0:1], coords[:,1:2]])

np.maximum(x1,x2) / np.minimum(x1,x2)

返回x1和x2逐个元素比较中的最大值/最小值

a = [[2, 3, 4], [1, 5, 2]]
b = [[1, 2, 7], [3, 2, 9]]
print(np.maximum(a, b))
print(np.minimum(a, b))

np.argmax(a,axis=None) / np.argmin(a,axis=None)

返回沿轴的最大值/最小值的索引

a = np.array([[2, 3, 4], [1, 2, 5]])
print(a.argmax()) # 默认压扁之后的索引位
print(np.argmax(a, axis=0))

np.random.normal(loc=0.0,scale=1.0,size=None)

loc: 均值（中心）
scale：标准差
size：输出的形状
返回从正态分布中抽取的随机样本

print(np.random.normal(3, 2.5, size=(2, 4)))

np.random.randn(d0,d1,...,dn)

返回从标准正态分布中抽取给定形状的随机样本

print(np.random.randn()) # 没有参数返回一个值
print(np.random.randn(2, 3))

np.random.rand(d0,d1,...,dn)

返回从均匀分布[0,1)中抽取的给定形状的随进样本

print(np.random.rand()) # 没有参数返回一个值
print(np.random.rand(2, 3))

np.random.randint([low,]high,size=None)

返回从离散均匀分布[low,high)中抽取的随机整数

print(np.random.randint(20, size=10))   # 离散的
print(np.random.randint(0, 100, size=(3,2)))

np.random.uniform(low=0.0,high=1.0,size=None)

返回从均匀分布[low,high)中抽取的随机样本

print(np.random.uniform(20, size=10))  # 连续的
print(np.random.uniform(0, 100, size=(3,2)))

np.random.seed(x)

随机数种子

np.random.seed(3)
print(np.random.uniform(1, 2, size=4))

np.random.seed(5)
print(np.random.uniform(1, 2, size=4))

np.random.seed(3) # 下面的随机数被这里的随机数种子固定了
print(np.random.uniform(1, 2, size=4))

# np.random.seed() # 又变得随机了
print(np.random.uniform(1, 2, size=4))