[Python] Numpy学习笔记（二）

最新推荐文章于 2025-06-29 17:18:25 发布

原创最新推荐文章于 2025-06-29 17:18:25 发布 · 4.4k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#python #numpy

python 专栏收录该内容

39 篇文章

订阅专栏

本文介绍了NumPy库中一些高级的应用技巧，包括meshgrid函数的使用、where函数的条件选择、数组的基本统计操作、unique及其它集合操作函数的用法，以及线性代数模块中的常见运算如求逆、特征值分解等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Part2
1.

np.meshgrid(array1,array2)              产生两个矩阵，对应两个数组中所有(x,y)对
e.g.
[IN]a=np.arange(-5,5,0.1)
[IN]x,y=np.meshgrid(a,a)
[OUT]x=array([[a[0],a[1],a[2],…,a[n-3],a[n-2],a[n-1],
       [a[0],a[1],a[2],…,a[n-3],a[n-2],a[n-1],
       [a[0],a[1],a[2],…,a[n-3],a[n-2],a[n-1],
       ...,
       [a[0],a[1],a[2],…,a[n-3],a[n-2],a[n-1],
       [a[0],a[1],a[2],…,a[n-3],a[n-2],a[n-1],
       [a[0],a[1],a[2],…,a[n-3],a[n-2],a[n-1]])
[OUT]y=array([[b[0],b[0],b[0], ...,b[0],b[0],b[0],
       [b[1],b[1],b[1], ...,b[1],b[1],b[1],
       [b[2],b[2],b[2], ...,b[2],b[2],b[2],
       ...,
       [b[n-3],b[n-3],b[n-3], ...,b[n-3],b[n-3],b[n-3],
       [b[n-2],b[0]n-2b[0], n-2..,b[0],b[0n-2,b[n-2],
       [b[n-1],b[n-1],b[n-1], ...,b[n-1],b[n-1],b[n-1]]) 
[IN] Z=plt.imshow(z) ;plt.colorbar()

这里写图片描述

2.Out=Np.where(bool_array, array1, array2)  out[i]=array1[i] if bool_array[i] else array2[i]
                                            Array1和array2也可以是标量值
3.  array.sum()/mean()                      计算矩阵的和/均值，结果是一个数
    array.sum(axis=1)/mean(axis=1)          计算该轴向上的和/均值，结果是低1维数组
    array.std()/var()                       计算标准差和方差，可以指定轴
    array.min()/max()
    array.argmin()/argmax()                 计算最小值和最大值的索引
    array.cumsum()/cumprod                  计算该轴从0至当前值的和/积
    array.any()/all()                       检查是否 至少有一个/全部都是 True
    array.sort()                
4.  numpy.unique(array)                     找出数组中的唯一值，返回一维数组
    numpy.intersect1d(x,y)                  计算x and y的公共元素
    numpy.union1d(x,y)                      计算x和y的并集
    numpy.in1d(x,y)                         得到x是否包含于y的布尔数组
    numpy.setdiff1d(x,y)                    得到在x中而不在y中的集合
    numpy.setxor1d(x,y)                     得到只存在x,y中而不同属于x,y的集合

线性代数 from numpy.linalg import inv , qr

    inv(matrix)                             求逆
    diag(array/matrix)                      将array转换为对角方阵，或者将matrix对角元素抽出来
    trace(matrix)                           求迹
    det(matrix)                             求行列式
    eig(matrix)                             求方阵的本征值和本征向量
    svd(matrix)                             SVD分解
    solve(matrix,array)                     解matrix * x= array 的解