Numpy 修炼之道 （8）—— 常用函数

在了解了 Numpy 的基本运算操作，下面来看下 Numpy常用的函数。

数学运算函数
 
 add（x1，x2 [，out]）                         按元素添加参数，等效于 x1 + x2
 subtract（x1，x2 [，out]）                   按元素方式减去参数，等效于x1 - x2
 multiply（x1，x2 [，out]）                   逐元素乘法参数，等效于x1 * x2
 divide（x1，x2 [，out]）                      逐元素除以参数，等效于x1 / x2
 exp（x [，out]）                                 计算输入数组中所有元素的指数。
 exp2（x [，out]）                               对于输入数组中的所有p，计算2 ** p。
 log（x [，out]）                                  自然对数，逐元素。
 log2（x [，out]）                                x的基础2对数。
 log10（x [，out]）                              以元素为单位返回输入数组的基数10的对数。
 expm1（x [，out]）                            对数组中的所有元素计算exp（x） - 1
 log1p（x [，out]）                              返回一个加自然对数的输入数组，元素。
 sqrt（x [，out]）                                按元素方式返回数组的正平方根。
 square（x [，out]）                            返回输入的元素平方。
 sin（x [，out]）                                 三角正弦。
 cos（x [，out]）                                元素余弦。
 tan（x [，out]）                                逐元素计算切线。
 

>>> x = np.random.randint(4,size=6).reshape(2,3)
>>> x
array([[2, 0, 3],[2, 3, 3]])
>>> y = np.random.randint(4, size=6).reshape(2,3)
>>> y
array([[1, 3, 1], [1, 1, 0]])
>>>
>>> x + y
array([[3, 3, 4],[3, 4, 3]])
>>> np.add(x, y)
array([[3, 3, 4],[3, 4, 3]])
>>> np.square(x)
array([[4, 0, 9], [4, 9, 9]])
>>> np.log1p(x)
array([[ 1.09861229,  0.        ,  1.38629436],[ 1.09861229,1.38629436,  1.38629436]])

规约函数

下面所有的函数都支持axis来指定不同的轴，用法都是类似的。



 
 ndarray.sum（[axis，dtype，out，keepdims]）返回给定轴上的数组元素的总和。
 ndarray.cumsum（[axis，dtype，out]）返回沿给定轴的元素的累积和。
 ndarray.mean（[axis，dtype，out，keepdims]）返回沿给定轴的数组元素的平均值。
 ndarray.var（[axis，dtype，out，ddof，keepdims]）沿给定轴返回数组元素的方差。
 ndarray.std（[axis，dtype，out，ddof，keepdims]） 返回给定轴上的数组元素的标准偏差。
 ndarray.argmax（[axis，out]）沿着给定轴的最大值的返回索引。
 ndarray.min（[axis，out，keepdims]）沿给定轴返回最小值。
 ndarray.argmin（[axis，out]）沿着给定轴的最小值的返回索引。
 
>>> x = np.random.randint(10,size=6).reshape(2,3)
>>> x
array([[3, 7, 0], [7, 1, 3]])
>>> np.sum(x)
21
>>> np.sum(x, axis=0)
array([10,  8,  3])
>>> np.sum(x, axis=1)
array([10, 11])
>>> np.argmax(x)
1
>>> np.argmax(x, axis=0)
array([1, 0, 1], dtype=int64)
>>> np.argmax(x, axis=1)
array([1, 0], dtype=int64)




     脑洞科技栈专注于人工智能与量化投资领域

了解更多干货文章，可以关注小程序八斗问答