NumPy 入门二

Posted 2020-11-24 baobobbyzhang

表2-2： NumPy实现的算术运算符

运算符	对应的通用函数	描述
+	np.add	加法运算（即 1 + 1 = 2）
-	np.subtract	减法运算（即 3 - 2 = 1）
-	np.negative	负数运算（ 即 -2）
*	np.multiply	乘法运算（即 2 * 3 = 6）
/	np.divide	除法运算（即 3 / 2 = 1.5）
//	np.floor_divide	地板除法运算（floor division， 即 3 // 2 = 1）

**	np.power	指数运算（即 2 ** 3 = 8）
%	np.mod	模 / 余数（ 即 9 % 4 = 1）

正如 NumPy 能理解 Python 内置的运算操作， NumPy 也可以理解 Python 内置的绝对值函数： 对应的 NumPy 通用函数是 np.absolute， 该函数也可以用别名 np.abs 来访问：
NumPy 提供了大量好用的通用函数， 其中对于数据科学家最有用的就是三角函数。
NumPy 有非常快速的内置聚合函数可用于数组， 我们将介绍其中的一些。
2.4.1 数组值求和
先来看一个小例子， 设想计算一个数组中所有元素的和。 Python 本身可用内置的 sum 函数来
它的语法和 NumPy 的 sum 函数非常相似， 并且在这个简单的例子中的结果也是一样的： In[3]: np.sum(L) 但是， 因为 NumPy 的 sum 函数在编译码中执行操作， 所以 NumPy 的操作计算得更快一些：
2.4.2 最小值和最大值
同样， Python 也有内置的 min 函数和 max 函数， 分别被用于获取给定数组的最小值和最大值：
NumPy 对应的函数也有类似的语法， 并且也执行得更快： np.min(big_array), np.max(big_array)
聚合函数还有一个参数， 用于指定沿着哪个轴的方向进行聚合。 例如， 可以通过指定 axis=0 找到每一列的最小值： M.min(axis=0)
表2-3： NumPy中可用的聚合函数

函数名称	NaN安全版本	描述
np.sum	np.nansum	计算元素的和
np.prod	np.nanprod	计算元素的积
np.mean	np.nanmean	计算元素的平均值
np.std	np.nanstd	计算元素的标准差
np.var	np.nanvar	计算元素的方差
np.min	np.nanmin	找出最小值
np.max	np.nanmax	找出最大值
np.argmin	np.nanargmin	找出最小值的索引
np.argmax	np.nanargmax	找出最大值的索引
np.median	np.nanmedian	计算元素的中位数
np.percentile	np.nanpercentile	计算基于元素排序的统计值
np.any	N/A	验证任何一个元素是否为真
np

如要快速检查任意或者所有这些值是否为 True， 可以用（你一定猜到了） np.any() 或 np.all()：In[18]: # 有没有值大于8？ np.all() 和n p.any() 也可以用于沿着特定的坐标轴， 例如：

1 In[22]: # 是否每行的所有值都小于8？
2 np.all(x < 8, axis=1)
3 Out[22]: array([ True, False, True], dtype=bool)

现在为了将这些值从数组中选出， 可以进行简单的索引， 即掩码操作：

1 In[28]: x[x < 5]
2 Out[28]: array([0, 3, 3, 3, 2, 4])

NumPy中的快速排序： np.sort和np.argsort
尽管 Python 有内置的 sort 和 sorted 函数可以对列表进行排序， 但是这里不会介绍这两个函数， 因为
NumPy 的 np.sort 函数实际上效率更高。 默认情况下， np.sort 的排序算法是 快速排序， 其算法复杂度
为 [N log N]， 另外也可以选择归并排序和堆排序。 对于大多数应用场景， 默认的快速排序已经足够高效
另外一个相关的函数是 argsort， 该函数返回的是原始数组排好序的索引值：
NumPy 排序算法的一个有用的功能是通过 axis 参数， 沿着多维数组的行或列进行排序， 例如：