numpy通用函数

最新推荐文章于 2025-05-25 19:47:48 发布

星-耀

最新推荐文章于 2025-05-25 19:47:48 发布

阅读量4.6k

点赞数 3

CC 4.0 BY-SA版权

分类专栏： numpy

本文链接：https://blog.youkuaiyun.com/jayloncheng/article/details/80303396

numpy 专栏收录该内容

8 篇文章

订阅专栏

本文介绍了NumPy中通用函数的应用技巧，包括算术运算、绝对值计算、三角函数及反三角函数、指数与对数运算等核心数学操作。通过实例展示了如何利用这些函数高效处理数组运算。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

通用函数

学习笔记！

numpy的通用函数可以对数组进行向量化操作，可以提高数组元素的重复计算的效率。

一、算数运算符

numpy的算数运算符都是对python内置运算符的封装。

>>> import numpy as np
>>> x = np.arange(4)
>>> x
array([0, 1, 2, 3])
>>> x+2
array([2, 3, 4, 5])
>>> np.add(x,2)#加法
array([2, 3, 4, 5])
>>> x-2
array([-2, -1,  0,  1])
>>> np.subtract(x,2)#减法
array([-2, -1,  0,  1])
>>> x*2
array([0, 2, 4, 6])
>>> np.multiply(x,2)#乘法
array([0, 2, 4, 6])
>>> x/2
array([0. , 0.5, 1. , 1.5])
>>> np.divide(x,2)#除法
array([0. , 0.5, 1. , 1.5])
>>> x**2
array([0, 1, 4, 9], dtype=int32)
>>> np.power(x,2)#乘方
array([0, 1, 4, 9], dtype=int32)
>>> x//2
array([0, 0, 1, 1], dtype=int32)
>>> np.floor_divide(x,2)#地板除法
array([0, 0, 1, 1], dtype=int32)
>>> x%2
array([0, 1, 0, 1], dtype=int32)
>>> np.mod(x,2)#取余
array([0, 1, 0, 1], dtype=int32)

二、绝对值

>>> x=np.array([-1,-3,-5])
>>> np.abs(x)#取绝对值
array([1, 3, 5])

三、三角函数及反三角函数

>>> theta=np.linspace(0,np.pi,3)#180°均分成3份
>>> theta
array([0.        , 1.57079633, 3.14159265])

>>> np.sin(theta)#正弦函数
array([0.0000000e+00, 1.0000000e+00, 1.2246468e-16])

>>> np.cos(theta)#余弦函数
array([ 1.000000e+00,  6.123234e-17, -1.000000e+00])

>>> np.tan(theta)#正切函数
array([ 0.00000000e+00,  1.63312394e+16, -1.22464680e-16])
>>>

注：由于计算机的截断，舍入误差，有些为零的地方没有精确到零，但非常小。

>>> x=np.array([-1,0,1])

>>> np.arcsin(x)
array([-1.57079633,  0.        ,  1.57079633])

>>> np.arccos(x)
array([3.14159265, 1.57079633, 0.        ])

>>> np.arctan(x)
array([-0.78539816,  0.        ,  0.78539816])
>>>

四、指数及对数运算

>>> x=np.array([1,2,3])

>>> np.exp(x)
array([ 2.71828183,  7.3890561 , 20.08553692])

>>> np.power(3,x)
array([ 3,  9, 27], dtype=int32)

>>> x=np.array([1,8,64,100])

>>> np.log(x) #自然对数ln(x)
array([0.        , 2.07944154, 4.15888308, 4.60517019])

>>> np.log2(x)
array([0.        , 3.        , 6.        , 6.64385619])

>>> np.log10(x)
array([0.        , 0.90308999, 1.80617997, 2.        ])
>>>

注意：log(x)表示的是自然对数ln(x)