07 numpy 一元函数

简介: === 一元函数 ===随机生成5x5的,从-10到10的整数数组import numpy as npdata = np.random.randint(-10,10,[5,5])=== abs fabs 求绝对值 fabs不能求复数的绝对值 ===print(data)np.

=== 一元函数 ===

随机生成5x5的,从-10到10的整数数组

import numpy as np
data = np.random.randint(-10,10,[5,5])

=== abs fabs 求绝对值 fabs不能求复数的绝对值 ===

print(data)
np.fabs(data)

[[ 2 -10 -5 -10 3] [ -7 1 1 -7 4] [ -8 -8 3 -3 -9] [ -8 5 -7 2 9] [ -8 8 3 3 4]]
array([[ 2., 10., 5., 10., 3.], [ 7., 1., 1., 7., 4.], [ 8., 8., 3., 3., 9.], [ 8., 5., 7., 2., 9.], [ 8., 8., 3., 3., 4.]])

=== 开根号 sqrt ===

np.sqrt(data)

=== 平方 square ===

np.square(data)

= 计算e的x次方,x是data =

np.exp(data)

=以某数为底,求data的对数 =

np.log(data) # data的多少次方等于e
np.log10(data) # data的多少次方等于10
np.log2(data) # data的多少次方等于2

=以e为底,求data+1的对数=

np.log1p(data) # data+1的多少次方等于e ===

= 以5为底,求data的对数 =

np.log(data)/np.log(5)

根据换底公式


img_102a401b5843bba05b95ae08d4c74364.png
换底公式

==== 返回数据的正负号 ===

print(data)
np.sign(data)

[[ 2 -10 -5 -10 3] [ -7 1 1 -7 4] [ -8 -8 3 -3 -9] [ -8 5 -7 2 9] [ -8 8 3 3 4]]
array([[ 1, -1, -1, -1, 1], [-1, 1, 1, -1, 1], [-1, -1, 1, -1, -1], [-1, 1, -1, 1, 1], [-1, 1, 1, 1, 1]])

=== 进位操作 ===

float_x = np.array([1.34,2.64,3.44,1.33,2.33])
print(float_x)
#=== 四舍五入 rint ===
np.rint(float_x)

#=== 向下取整 floor ===
np.floor(float_x)

#=== 向上取整 ceil ===
np.ceil(float_x)
#=== 分别返回数组元素中的小数位和整数位,以两个独立数组形式 modf ===
np.modf(float_x)

(array([ 0.34, 0.64, 0.44, 0.33, 0.33]), array([ 1., 2., 3., 1., 2.]))

=== 向下取整 isnan 返回布尔类型数组 ===

数据开根号的时候会产生很多NaN的数据,NaN会对操作引起一些问题

np.isnan( np.sqrt(data) )

=== 判断元素是否有穷 ===

np.isfinite(data)

=== 判断元素是否无穷 ===

np.isinf(data)

=== 三角函数 sin ===

data=np.arange(-10,10,1)
print(data)
np.sin(data)

[-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9]
array([ 0.54402111, -0.41211849, -0.98935825, -0.6569866 , 0.2794155 , 0.95892427, 0.7568025 , -0.14112001, -0.90929743, -0.84147098, 0. , 0.84147098, 0.90929743, 0.14112001, -0.7568025 , -0.95892427, -0.2794155 , 0.6569866 , 0.98935825, 0.41211849])

img_17e42b0a8da3630feed9b97e4f47ac89.png
numpy 一元函数 1

img_1158eb5fbc02d1625cd9f73675007be7.png
numpy 一元函数 2
相关文章
|
4月前
|
Python
NumPy 教程 之 NumPy 统计函数 9
NumPy提供了多种统计函数,如计算数组中的最小值、最大值、百分位数、标准差及方差等。其中,标准差是一种衡量数据平均值分散程度的指标,它是方差的算术平方根。例如,对于数组[1,2,3,4],其标准差可通过计算各值与均值2.5的差的平方的平均数的平方根得出,结果为1.1180339887498949。示例代码如下: ```python import numpy as np print(np.std([1,2,3,4])) ``` 运行输出即为:1.1180339887498949。
137 50
|
5月前
|
Python
NumPy 教程 之 NumPy 算术函数 1
本教程介绍NumPy中的基本算术函数,如加(add())、减(subtract())、乘(multiply())及除(divide())。示例展示了两个数组(一个3x3矩阵与一数组[10,10,10])间的运算。值得注意的是,参与运算的数组需有相同形状或可按照NumPy的广播规则进行扩展。此外Numpy还提供了许多其他的算术函数以满足复杂计算需求。
52 7
|
5月前
|
Python
NumPy 教程 之 NumPy 算术函数 2
NumPy 教程 之 NumPy 算术函数 2
37 3
|
5月前
|
Python
NumPy 教程 之 NumPy 数学函数 4
NumPy提供了丰富的数学函数,如三角函数、算术函数及复数处理等。本教程聚焦于舍入函数中的`numpy.ceil()`应用。该函数用于返回大于或等于输入值的最小整数(向上取整)。例如,对数组`[-1.7, 1.5, -0.2, 0.6, 10]`使用`np.ceil()`后,输出为`[-1., 2., -0., 1., 10.]`。
47 1
|
4月前
|
Python
NumPy 教程 之 NumPy 统计函数 10
NumPy统计函数,包括查找数组中的最小值、最大值、百分位数、标准差和方差等。方差表示样本值与平均值之差的平方的平均数,而标准差则是方差的平方根。例如,`np.var([1,2,3,4])` 的方差为 1.25。
110 48
|
3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。
105 0
Numpy学习笔记(五):np.concatenate函数和np.append函数用于数组拼接
|
4月前
|
机器学习/深度学习 搜索推荐 算法
NumPy 教程 之 NumPy 排序、条件筛选函数 8
NumPy提供了多种排序方法,包括快速排序、归并排序及堆排序,各有不同的速度、最坏情况性能、工作空间和稳定性特点。此外,NumPy还提供了`numpy.extract()`函数,可以根据特定条件从数组中抽取元素。例如,在一个3x3数组中,通过定义条件选择偶数元素,并使用该函数提取这些元素。示例输出为:[0., 2., 4., 6., 8.]。
35 8
|
4月前
|
机器学习/深度学习 搜索推荐 算法
NumPy 教程 之 NumPy 排序、条件筛选函数 2
介绍NumPy` 中的排序方法与条件筛选函数。通过对比快速排序、归并排序及堆排序的速度、最坏情况性能、工作空间需求和稳定性,帮助读者选择合适的排序算法。此外,还深入讲解了 `numpy.argsort()` 的使用方法,并通过具体实例展示了如何利用该函数获取数组值从小到大的索引值,并据此重构原数组,使得其变为有序状态。对于学习 `NumPy` 排序功能来说,本教程提供了清晰且实用的指导。
49 7
|
4月前
|
机器学习/深度学习 搜索推荐 算法
NumPy 教程 之 NumPy 排序、条件筛选函数 5
NumPy中的排序方法及特性对比,包括快速排序、归并排序与堆排序的速度、最坏情况性能、工作空间及稳定性分析。并通过`numpy.argmax()`与`numpy.argmin()`函数演示了如何获取数组中最大值和最小值的索引,涵盖不同轴方向的操作,并提供了具体实例与输出结果,便于理解与实践。
33 5
|
4月前
|
算法 索引 Python
Numpy 的一些以 arg 开头的函数
Numpy 的一些以 arg 开头的函数
68 0