Numpy中数组和矩阵操作的数学函数

简介: Numpy 是一个强大的 Python 计算库。它提供了广泛的数学函数,可以对数组和矩阵执行各种操作。本文中将整理一些基本和常用的数学操作。

Numpy 是一个强大的 Python 计算库。它提供了广泛的数学函数,可以对数组和矩阵执行各种操作。本文中将整理一些基本和常用的数学操作。

  • 基本数学运算:Numpy 提供了许多基本数学函数,用于对数组执行加、减、乘、除等运算。这些函数包括 numpy.add()、numpy.subtract()、numpy.multiply() 和 numpy.divide()。
  • 线性代数函数:Numpy 还提供了许多线性代数函数,用于执行矩阵乘法、行列式和求逆等运算。这些函数包括 numpy.dot()、numpy.linalg.det() 和 numpy.linalg.inv()。
  • 统计和概率函数:Numpy 提供了许多统计和概率函数,用于执行均值、中位数、标准差和相关性等操作。这些函数包括 numpy.mean()、numpy.median()、numpy.std() 和 numpy.corrcoef()。
  • 三角函数和对数函数:Numpy 还提供了许多三角函数和对数函数,用于执行正弦、余弦、正切和对数等运算。这些函数包括 numpy.sin()、numpy.cos()、numpy.tan() 和 numpy.log()。

基本数学运算

我们将介绍基本的数学运算:

加法

使用numpy.add()逐个添加两个数组元素。例如,要添加两个数组a和b,可以使用以下代码:

 import numpy as np
 a = np.array([1, 2, 3])
 b = np.array([4, 5, 6])
 c = np.add(a, b)
 print(c)  # Output: [5, 7, 9]

也可以使用+运算符:

 c = a + b
 print(c)  # Output: [5, 7, 9]

减法

numpy.subtract()可用于从另一个元素中减去一个数组。例如,要从数组a中减去数组b,可以使用以下代码:

 import numpy as np
 a = np.array([1, 2, 3])
 b = np.array([4, 5, 6])
 c = np.subtract(a, b)
 print(c)  # Output: [-3, -3, -3]

也可以使用-运算符:

 c = a - b
 print(c)  # Output: [-3, -3, -3]

乘法

numpy.multiply()函数可用于按元素将两个数组相乘。例如,要将两个数组a和b相乘,可以使用以下代码:

 import numpy as np
 a = np.array([1, 2, 3])
 b = np.array([4, 5, 6])
 c = np.multiply(a, b)
 print(c)  # Output: [4, 10, 18]

也可以使用*运算符:

 c = a * b
 print(c)  # Output: [4, 10, 18]

要说明的一点是,这个是逐元素乘法,点积乘法使用dot,在后面会介绍。所以这个操作要求两个变量的维度相同,如果不同则会首先进行广播操作。

除法

numpy.divide()函数可用于将一个数组除以另一个元素。例如,要用数组a除以数组b,你可以使用以下代码:

 import numpy as np
 a = np.array([1, 2, 3])
 b = np.array([4, 5, 6])
 c = np.divide(a, b)
 print(c)  # Output: [0.25, 0.4, 0.5]

也可以使用/运算符:

 c = a / b
 print(c)  # Output: [0.25, 0.4, 0.5]

再次说明:上述所有函数都是在输入数组上以element wise的方式应用的,也就是逐元素方式,所以它们返回一个与输入形状相同的数组。

线性代数函数

最常见的是线性代数函数有

点积

numpy.dot()函数可用于计算两个数组的点积。例如,要计算两个1-D数组a和b的点积,可以使用以下代码:

 import numpy as np
 a = np.array([1, 2, 3])
 b = np.array([4, 5, 6])
 c = np.dot(a, b)
 print(c)  # Output: 32

或者直接使用@操作符

 c = a @ b
 print(c)  # Output: 32

矩阵乘法

numpy.matmul()函数可用于执行两个数组的矩阵乘法。例如,要执行两个2-D数组a和b的矩阵乘法,可以使用以下代码:

 import numpy as np
 a = np.array([[1, 2], [3, 4]])
 b = np.array([[5, 6], [7, 8]])
 c = np.matmul(a, b)
 print(c)
 # Output:
 # [[19 22]
 #  [43 50]]

可以使用@运算符来执行矩阵乘法:

 c = a @ b
 print(c)
 # Output:
 # [[19 22]
 #  [43 50]]

转置

numpy.transpose()函数可用于转置数组。例如,要转置一个2-D数组a,你可以使用以下代码:

 import numpy as np
 a = np.array([[1, 2], [3, 4]])
 b = np.transpose(a)
 print(b)
 # Output:
 # [[1 3]
 #  [2 4]]

也可以直接使用.T属性来转置数组:

 b = a.T
 print(b)
 # Output:
 # [[1 3]
 #  [2 4]]

行列式

numpy.linalg.det()函数可用于计算正方形数组的行列式。例如,要计算二维数组a的行列式,可以使用以下代码:

 import numpy as np
 a = np.array([[1, 2], [3, 4]])
 d = np.linalg.det(a)
 print(d)  # Output: -2.000000000000000

注意,输入数组必须是正方形数组,即它必须有相同的行数和列数。

numpy.linalg.inv()函数可用于计算正方形数组的逆inverse 。例如,要计算一个2-D数组a的逆,你可以使用以下代码:

 import numpy as np
 a = np.array([[1, 2], [3, 4]])
 b = np.linalg.inv(a)
 print(b)
 # Output:
 # [[-2.   1. ]
 #  [ 1.5 -0.5]]

需要注意的是,输入数组必须是方阵,而且行列式必须非零。否则,numpy将引发LinAlgError。

以上就是我们常用的线性代数函数,还有更多函数来计算矩阵和数组上的线性代数运算,可以查看Numpy文档。

三角函数和对数函数

Numpy中包含了一些最常用的三角函数包括Numpy .sin()、Numpy .cos()、Numpy .tan()、Numpy .arcsin()、Numpy .arccos()、Numpy .arctan()或Numpy .log()。numpy.sin()的例子:

 import numpy as np
 a = np.array([0, 30, 45, 60, 90])
 b = np.sin(a)
 print(b)
 # Output: [ 0.          0.5         0.70710678  0.8660254   1.        ]

numpy.log计算自然对数是指数函数的倒数,因此log(exp(x)) = x。自然对数是以e为底的对数。

 import numpy as np
 np.log([1, np.e, np.e**2, 0])
 #array([  0.,   1.,   2., -Inf])

以上就是Numpy中常用的数学函数的总结,希望对你有所帮助,另外就是Numpy的文档非常详尽,如果你想寻找什么函数,可以直接进行查询:

https://avoid.overfit.cn/post/c9a8bf3519c74cd8ac6f9121acae6c80

作者:Mario Rodriguez

目录
相关文章
|
2月前
|
机器学习/深度学习 并行计算 大数据
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧2
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧
81 10
|
2月前
|
Python
Numpy学习笔记(四):如何将数组升维、降维和去重
本文介绍了如何使用NumPy库对数组进行升维、降维和去重操作。
42 1
|
2月前
|
Python
Numpy学习笔记(五):np.concatenate函数和np.append函数用于数组拼接
NumPy库中的`np.concatenate`和`np.append`函数,它们分别用于沿指定轴拼接多个数组以及在指定轴上追加数组元素。
31 0
Numpy学习笔记(五):np.concatenate函数和np.append函数用于数组拼接
|
2月前
|
Python
使用 NumPy 进行数组操作的示例
使用 NumPy 进行数组操作的示例
36 2
|
2月前
|
索引 Python
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧1
【Python篇】NumPy完整指南(上篇):掌握数组、矩阵与高效计算的核心技巧
94 4
|
2月前
|
机器学习/深度学习 并行计算 调度
CuPy:将 NumPy 数组调度到 GPU 上运行
CuPy:将 NumPy 数组调度到 GPU 上运行
83 1
|
3月前
|
机器学习/深度学习 数据处理 Python
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
82 0
|
4月前
|
机器学习/深度学习 数据处理 计算机视觉
NumPy实践宝典:Python高手教你如何轻松玩转数据处理!
【8月更文挑战第22天】NumPy是Python科学计算的核心库,专长于大型数组与矩阵运算,并提供了丰富的数学函数。首先需安装NumPy (`pip install numpy`)。之后可通过创建数组、索引与切片、执行数学与逻辑运算、变换数组形状及类型、计算统计量和进行矩阵运算等操作来实践学习。NumPy的应用范围广泛,从基础的数据处理到图像处理都能胜任,是数据科学领域的必备工具。
63 0
|
1月前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
36 3
|
1月前
|
存储 机器学习/深度学习 算法
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第26天】NumPy和SciPy是Python科学计算领域的两大核心库。NumPy提供高效的多维数组对象和丰富的数学函数,而SciPy则在此基础上提供了更多高级的科学计算功能,如数值积分、优化和统计等。两者结合使Python在科学计算中具有极高的效率和广泛的应用。
46 2