Numpy基础（三）：数组操作

原创已于 2025-04-01 19:56:52 修改 · 761 阅读

18 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#numpy #python

于 2025-02-13 11:59:27 首次发布

numpy、pandas、matplotlib数据分析专栏收录该内容

7 篇文章

订阅专栏

文章目录

1.Numpy数组算术
2.数组的转置和换轴
3.通用函数
4. 线性代数
5.统计学方法

注：不同尺寸的数组之间的操作会使用到广播特性，在日常使用中很重要，但是并不会在本章中提到，后续会在Numpy高阶使用中介绍。

1.Numpy数组算术

在numpy中，其操作都是批量操作而非显式的利用多重for循环，这一特性称为向量化。对于单个数组，以及多个数组都是逐元素操作：

arr = np.array([[1., 2., 3.], [4., 5., 6.]])
arr
arr * arr
arr - arr
'''
array([[1., 2., 3.],
       [4., 5., 6.]])
array([[ 1.,  4.,  9.],
       [16., 25., 36.]]) 
array([[0., 0., 0.],
       [0., 0., 0.]])             
'''
1 / arr
arr ** 0.5
'''
array([[1.    , 0.5   , 0.3333],
       [0.25  , 0.2   , 0.1667]])
array([[1.    , 1.4142, 1.7321],
       [2.    , 2.2361, 2.4495]])
'''
arr2 = np.array([[0., 4., 1.], [7., 2., 12.]])
arr2
arr2 > arr
'''
array([[ 0.,  4.,  1.],
       [ 7.,  2., 12.]])
array([[False,  True, False],
       [ True, False,  True]])
'''

2.数组的转置和换轴

转置是一个线性代数的概念，即行上元素变为对应列上的元素，可以使用transpose方法或者直接调用.t属性：

arr = np.arange(15).reshape((3, 5))
arr
arr.T
'''
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
array([[ 0,  5, 10],
       [ 1,  6, 11],
       [ 2,  7, 12],
       [ 3,  8, 13],
       [ 4,  9, 14]])
'''

对于更高维度的数据，换轴的概念就较为抽象，实际上就是对数组元素的堆叠方向进行了更改，假设原三维数组模拟的是一张图片，即行列通道，那么将axis=0和axis=1进行互换，就是列行通道。可以使用transpose或者swapaxes进行操作：

arr = np.arange(16).reshape((2, 2, 4))
arr
arr.transpose((1, 0, 2))
'''
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])
array([[[ 0,  1,  2,  3],
        [ 8,  9, 10, 11]],

       [[ 4,  5,  6,  7],
        [12, 13, 14, 15]]])
'''
arr
arr.swapaxes(1, 2)
'''
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])
array([[[ 0,  4],
        [ 1,  5],
        [ 2,  6],
        [ 3,  7]],

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

3.通用函数

函数名称	描述	主要参数
`np.add(x1, x2)`	逐元素相加（等价于 `x1 + x2`）	`x1`, `x2`: 输入数组；`out`（可选）: 输出数组
`np.subtract(x1, x2)`	逐元素相减（等价于 `x1 - x2`）	同上
`np.multiply(x1, x2)`	逐元素相乘（等价于 `x1 * x2`）	同上
`np.divide(x1, x2)`	逐元素除法（等价于 `x1 / x2`）	同上
`np.true_divide`	与 `np.divide` 相同，返回浮点结果	同上
`np.floor_divide`	逐元素向下取整除法（等价于 `//`）	同上
`np.power(x1, x2)`	逐元素计算 `x1` 的 `x2` 次幂（等价于 `x1 ** x2`）	`x1`: 基数；`x2`: 指数
`np.sqrt(x)`	逐元素计算平方根	`x`: 输入数组
`np.square(x)`	逐元素计算平方（等价于 `x ** 2`）	同上
`np.exp(x)`	逐元素计算自然指数（`e^x`）	同上
`np.log(x)`	逐元素计算自然对数（`ln(x)`）	同上
`np.log10(x)`	逐元素计算以10为底的对数	同上
`np.log2(x)`	逐元素计算以2为底的对数	同上
`np.sin(x)`	逐元素计算正弦值	同上
`np.cos(x)`	逐元素计算余弦值	同上
`np.tan(x)`	逐元素计算正切值	同上
`np.arcsin(x)`	逐元素计算反正弦值	同上
`np.arccos(x)`	逐元素计算反余弦值	同上
`np.arctan(x)`	逐元素计算反正切值	同上
`np.sinh(x)`	逐元素计算双曲正弦值	同上
`np.cosh(x)`	逐元素计算双曲余弦值	同上
`np.tanh(x)`	逐元素计算双曲正切值	同上
`np.absolute(x)`	逐元素计算绝对值（等价于 `abs(x)`）	同上
`np.sign(x)`	逐元素返回符号（-1, 0, 1）	同上
`np.ceil(x)`	逐元素向上取整	同上
`np.floor(x)`	逐元素向下取整	同上
`np.rint(x)`	逐元素四舍五入到最近整数	同上
`np.mod(x1, x2)`	逐元素取模（余数）	`x1`: 被除数；`x2`: 除数
`np.maximum(x1, x2)`	逐元素比较两个数组，返回较大值	`x1`, `x2`: 输入数组
`np.minimum(x1, x2)`	逐元素比较两个数组，返回较小值	同上
`np.clip(x, a_min, a_max)`	将数组元素限制在 `[a_min, a_max]` 范围内	`x`: 输入数组；`a_min`, `a_max`: 限制范围
`np.isnan(x)`	逐元素判断是否为NaN	`x`: 输入数组
`np.isinf(x)`	逐元素判断是否为无穷大	同上
`np.isfinite(x)`	逐元素判断是否为有限值	同上
`np.logical_and(x1, x2)`	逐元素逻辑与操作	`x1`, `x2`: 布尔数组
`np.logical_or(x1, x2)`	逐元素逻辑或操作	同上
`np.logical_not(x)`	逐元素逻辑非操作	`x`: 布尔数组
`np.greater(x1, x2)`	逐元素判断 `x1 > x2`	`x1`, `x2`: 输入数组
`np.less(x1, x2)`	逐元素判断 `x1 < x2`	同上
`np.equal(x1, x2)`	逐元素判断 `x1 == x2`	同上

4. 线性代数

函数名	描述	参数
`numpy.dot(a, b)`	计算两个数组的点积（内积）。	`a`: 第一个数组；`b`: 第二个数组。
`numpy.vdot(a, b)`	计算两个向量的点积（支持复数）。	`a`: 第一个向量；`b`: 第二个向量。
`numpy.inner(a, b)`	计算两个数组的内积。	`a`: 第一个数组；`b`: 第二个数组。
`numpy.outer(a, b)`	计算两个向量的外积。	`a`: 第一个向量；`b`: 第二个向量。
`numpy.matmul(a, b)`	计算两个数组的矩阵乘积。	`a`: 第一个数组；`b`: 第二个数组。
`numpy.linalg.det(a)`	计算矩阵的行列式。	`a`: 输入矩阵。
`numpy.linalg.inv(a)`	计算矩阵的逆矩阵。	`a`: 输入矩阵。
`numpy.linalg.pinv(a)`	计算矩阵的伪逆矩阵。	`a`: 输入矩阵。
`numpy.linalg.eig(a)`	计算方阵的特征值和特征向量。	`a`: 输入方阵。
`numpy.linalg.eigh(a)`	计算对称或厄米特矩阵的特征值和特征向量。	`a`: 输入对称或厄米特矩阵。
`numpy.linalg.svd(a)`	计算矩阵的奇异值分解。	`a`: 输入矩阵。
`numpy.linalg.qr(a)`	计算矩阵的QR分解。	`a`: 输入矩阵。
`numpy.linalg.cholesky(a)`	计算矩阵的Cholesky分解。	`a`: 输入正定矩阵。
`numpy.linalg.norm(x)`	计算向量或矩阵的范数。	`x`: 输入向量或矩阵；`ord`: 范数类型（默认为2范数）。
`numpy.linalg.cond(x)`	计算矩阵的条件数。	`x`: 输入矩阵；`p`: 范数类型（默认为2范数）。
`numpy.linalg.solve(a, b)`	求解线性方程组 `ax = b`。	`a`: 系数矩阵；`b`: 常数向量或矩阵。
`numpy.linalg.lstsq(a, b)`	求解线性最小二乘问题。	`a`: 系数矩阵；`b`: 常数向量或矩阵；`rcond`: 奇异值截断阈值。
`numpy.linalg.matrix_rank(a)`	计算矩阵的秩。	`a`: 输入矩阵；`tol`: 奇异值截断阈值。
`numpy.linalg.trace(a)`	计算矩阵的迹（对角线元素之和）。	`a`: 输入矩阵。
`numpy.linalg.matrix_power(a, n)`	计算矩阵的幂次。	`a`: 输入矩阵；`n`: 幂次。

5.统计学方法

方法	描述	示例
np.sum()	计算数组元素的和	np.sum(arr)
np.mean()	计算数组元素的平均值	np.mean(arr)
np.average()	计算数组元素的加权平均值	np.average(arr, weights=weights)
np.median()	计算数组元素的中位数	np.median(arr)
np.std()	计算数组元素的标准差	np.std(arr)
np.var()	计算数组元素的方差	np.var(arr)
np.min()	找出数组中的最小值	np.min(arr)
np.max()	找出数组中的最大值	np.max(arr)
np.argmin()	找出数组中最小值的索引	np.argmin(arr)
np.argmax()	找出数组中最大值的索引	np.argmax(arr)
np.percentile()	计算数组元素的百分位数	np.percentile(arr, 50)
np.quantile()	计算数组元素的分位数	np.quantile(arr, 0.5)
np.cumsum()	计算数组元素的累积和	np.cumsum(arr)
np.cumprod()	计算数组元素的累积积	np.cumprod(arr)
np.prod()	计算数组元素的乘积	np.prod(arr)
np.corrcoef()	计算数组的相关系数矩阵	np.corrcoef(arr1, arr2)
np.cov()	计算数组的协方差矩阵	np.cov(arr1, arr2)
np.histogram()	计算数组的直方图	np.histogram(arr, bins=10)