Python科学计算基本包Numpy使用的教程

前言

Numpy是Python科学计算的基本包，它提供一个多维数组对象及各种派生对象（如屏蔽的数组和矩阵）以及一系列用于数组快速操作的例程，包括数学、逻辑、形状操作、排序、选择、I/O，离散傅里叶变换、线性代数、基本统计操作、随机模拟等等。

Numpy融合了C语言的高效性和Python的简单性：

像C一样快：逐个元素操作是numpy的默认模式，由预编译的C代码完成； 比Python更简单：Numpy的惯用语法比Python内置语法更简洁；

Numpy的以下两大特性，是它大部分功能的基础：

矢量化：在代码中没有任何显式循环、索引等。这些仅发生在优化的、预编译的C代码“幕后”，矢量化意味着代码更简洁、更不易犯错、更接近于数学符号、更高效； 广播：隐式的逐个元素操作。Numpy中所有操作都以这种隐式的逐个元素的方式进行，a和b甚至可以是具有不同形状的两个数组，较小的数组“可扩展为”较大的数组；

Numpy 有两种基本对象：

ndarray (N-dimensional array object)多维数组：存储单一数据类型的多维数组 ufunc (universal function object)通用函数：能够对数组进行处理的函数对象，大部分能够作用于数组的数学函数如三角函数等，都是 ufunc 对象

其他说明：

numpy大多数时候都在处理一维和二维数组，多维数组可以由二维数组推而广之 Numpy支持面向对象和面向过程两种编程方式，ndarray拥有众多属性和方法，它的许多方法都有对应的numpy函数，你可以选择你喜欢的方式来使用

# numpy的导入惯例
import numpy as np

ndarray对象

Numpy的核心是ndarray对象，它封装了同质数据类型的n维数组，与python序列有以下区别：

ndarray在创建时有固定大小：不同于python中的列表，更改ndarray的大小将创建一个新的数组并删除原始数据 ndarray中的元素有相同的数据类型 ndarray便于对大量数据进行高级数学操作：通常会比python内置序列更高效也更简单 越来越多的基于python的科学和数学软件使用ndarray数组：只知道python的内置序列类型是不够的，还需要知道如何使用ndaray数组

ndarray数据类型

Numpy支持比Python更多种类的数值类型，参见：数据类型

numpy数据类型 python类型 描述 bool_ bool 布尔（True或False），存储为一个字节 int_ int 默认整数类型（与C long相同；通常为int64或int32） intc   与C int（通常为int32或int64）相同 intp   用于索引的整数（与C ssize_t相同；通常为int32或int64） int8   字节（-128到127） int16   整数（-32768到32767） int32   整数（-2147483648至2147483647） int64   整数（-9223372036854775808至9223372036854775807） uint8   无符号整数（0到255） uint16   无符号整数（0到65535） uint32   无符号整数（0至4294967295） uint64   无符号整数（0至18446744073709551615） float_ float float64的简写。 float16   半精度浮点：符号位，5位指数，10位尾数 float32   单精度浮点：符号位，8位指数，23位尾数 float64   双精度浮点：符号位，11位指数，52位尾数 complex_ complex complex128的简写。 complex64   复数，由两个32位浮点（实数和虚数分量） complex128   复数，由两个64位浮点（实数和虚数分量）

# 作为类型名称设置数组中元素的类型，为了向后兼容，也可以使用float或字符串'float'
x = np.array([1,2,3],dtype=np.float)
print x

# 查看数据类型
print x.dtype

# 作为单值类型转化函数
print np.int32(1.3)

# 转换数组的类型，会产生新的副本
print x.astype(np.int)

结果：

[ 1.  2.  3.]
float64
1
[1 2 3]

创建数组ndarray

参见：创建数组

创建数组的机制：

从Python结构（例如，列表，元组）转换 从numpy原生数组创建（例如，arange、ones、zeros等） 使用特殊库函数（例如，random） 从Python列表/元组转换

np.array([1,2,3])

结果：

array([1, 2, 3])

np.array((1,2,3))

结果：

array([1, 2, 3])

np.array([[i,i+1,i+2] for i in range(3)])

结果：

array([[0, 1, 2],
       [1, 2, 3],
       [2, 3, 4]])

从numpy原生数组创建

# 递增数组
print np.arange(start = 1,stop= 10,step=2,dtype = int)
print np.arange(10)

[1 3 5 7 9]
[0 1 2 3 4 5 6 7 8 9]

# 指定元素数量的均匀递增数组
np.linspace(1.,10.,10)

array([  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.])

np.indices((2,2))

array([[[0, 0],
        [1, 1]],

       [[0, 1],
        [0, 1]]])

# 全0矩阵
np.zeros(shape=(3,4),dtype=float)

array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])

# 返回具有与给定数组相同的形状和类型的零数组
np.zeros_like(a)

array([[0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]])

# 全1矩阵
np.ones(shape=(3,4),dtype=float)

array([[ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.]])

# 返回具有与给定数组相同的形状和类型的1数组
np.ones_like(a)

array([[1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1]])

# 返回具有与给定数组相同的形状和类型的新随机数组
np.empty_like(a)

array([[-9223372036854775808, -9223372036854775808,           4564058118,
                  4563870896],
       [          4563410384,           4564092920,                    0,
                           0],
       [          4538597360, -6917520233813358918, -9223372036854775808,
            1688849860263936]])

# 对角矩阵
np.diag([1,2,3])

array([[1, 0, 0],
       [0, 2, 0],
       [0, 0, 3]])

# 获取矩阵对角元素
np.diag([[1,2,3],
        [4,5,6],
        [7,8,9]])

array([1, 5, 9])

# 获取矩阵偏移对角元素
np.diag([[1,2,3],
        [4,5,6],
        [7,8,9]],1)

array([2, 6])

# 幂零矩阵
np.eye(3)

array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.]])

np.eye(3,2)

array([[ 1.,  0.],
       [ 0.,  1.],
       [ 0.,  0.]])

np.eye(3,k=1)

array([[ 0.,  1.,  0.],
       [ 0.,  0.,  1.],
       [ 0.,  0.,  0.]])

从随机函数创建

随机生成数组需要考虑的因素：

数据范围：区间，整数、小数 数据分布：均匀分布、正态分布、指定分布 数据形状：size

常用的随机函数

函数 解释 rand(d0,d1,…) [0,1]均匀分布 randint(low,high,size) [low,high)整数均匀分布 choice(a,size,replace,p) 指定数组指定概率分布 randn(d0,d1,…) 标准正态分布 [0,1]均匀分布

np.random.rand(3,4)

array([[ 0.19806286,  0.76053071,  0.16911084,  0.08833981],
       [ 0.68535982,  0.95339335,  0.00394827,  0.51219226],
       [ 0.81262096,  0.61252607,  0.72175532,  0.29187607]])

[a,b)整数均匀分布

np.random.randint(2,size=(3,4))

array([[1, 0, 0, 1],
       [0, 0, 0, 1],
       [1, 0, 0, 0]])

np.random.randint(0,2,(3,4))

array([[1, 0, 1, 1],
       [0, 1, 1, 0],
       [1, 0, 0, 0]])

指定数组指定概率分布

np.random.choice([1,2,3,4],size=(3,4),replace=True,p=[0.1,0.2,0.3,0.4])

array([[4, 3, 1, 3],
       [2, 1, 2, 4],
       [2, 2, 3, 2]])

np.random.choice(2,size=(3,4),replace=True,p=[0.3,0.7])

array([[0, 1, 0, 1],
       [1, 1, 0, 1],
       [1, 1, 1, 0]])

N(0,1)标准正态分布

np.random.randn(3,4)

array([[ 0.22863013,  0.44513761, -1.13660221,  0.13513688],
       [ 1.484537  , -1.07980489, -1.97772828, -1.7433723 ],
       [ 0.26607016,  2.38496733,  1.12369125,  1.67262221]])

设置随机数种子

# 设置随机种子数，复现随机过程
np.random.seed(10)
print np.random.rand(3)
print np.random.rand(3)
np.random.seed(10)
print np.random.rand(3)
print np.random.rand(3)

[ 0.77132064  0.02075195  0.63364823]
[ 0.74880388  0.49850701  0.22479665]
[ 0.77132064  0.02075195  0.63364823]
[ 0.74880388  0.49850701  0.22479665]

ndarray的属性和方法

a = np.random.randint(3,size=(3,4))
a

array([[2, 1, 1, 0],
       [2, 2, 1, 0],
       [0, 0, 2, 2]])

ndarray属性

# 数据类型
a.dtype

dtype('int64')

# 维数
a.ndim

2

# 形状
a.shape

(3, 4)

# 元素总数
a.size

12

# 每个元素字节大小
a.itemsize

8

ndarray方法

# 更改数据类型，返回新数组
a.astype(float)

array([[ 2.,  2.,  2.,  0.],
       [ 0.,  2.,  2.,  1.],
       [ 2.,  1.,  2.,  1.]])

# 更改形状，返回新数组
print a.reshape((2,6))
# 如果在reshape操作中将维度指定为-1，则会自动计算其他维度：
print a.reshape((3,-1))
# 原地修改原数组的形状
print a.resize((2,6))

[[0 4 6 3 5 9]
 [3 8 3 0 9 6]]
[[0 4 6 3]
 [5 9 3 8]
 [3 0 9 6]]
None

# 阵列展开为向量 'C', 'F', 'A', or 'K'
print a.ravel('A')
print a.ravel('C')
print a.ravel('F')
print a.ravel('K')

[2 1 1 0 2 2 1 0 0 0 2 2]
[2 1 1 0 2 2 1 0 0 0 2 2]
[2 2 0 1 2 0 1 1 2 0 0 2]
[2 1 1 0 2 2 1 0 0 0 2 2]

ndarray索引

索引是指使用方括号（[]）对数组值进行索引，有很多选项来索引，这使numpy索引很强大，但功能上的强大也带来一些复杂性和潜在的混乱，参见：索引。

索引的一般格式如下：

a[i,[j,k,l],[True,False,…],m:n:s]

索引的规则如下：

数组不同轴的索引以”,”隔开，当某轴省略时表示保留该轴上的所有元素：
后面的轴可以省略，等价于:，但前面的轴不可省略，但可用:保留该轴所有元素 ...表示省略剩余所有连续的轴，只能用一次（多次会出现歧义） 单轴索引可有四种形式：
单索引a[i]：选取数组a中索引为i的元素
结果会降一维 规则同python列表索引（可为负，但不能超出数组范围） 数组索引a[np.array([j, k, l])]：选取数组a中索引为j, k, l的元素组成的数组
结果中元素按数组索引排布，维数增加=数组索引维数-1 j,k,l可重复使用，但均是同一元素的引用 python列表可自动转化为数组，所以一般使用a[[j,k,l]]简化版； python元组不能自动转化为数组，a[(j,k,l)]等价于a[j,k,l]； 每个索引规则同python列表索引，数组索引是numpy特有的，python列表无对应索引方法 布尔索引a[[True,False,...]]：布尔索引实质是一种按条件筛选的特殊数组索引
结果维度不变 布尔索引长度必须等于该轴长度，等价于保留True所对应的索引的简单数组索引 切片a[m:n:s]：选取数组a中以m开始，步长为s，n之前的元素组成的数组
结果维数不变 规则同python列表切片 多轴索引可转化为分步单轴索引：
a[i,?]等价于a[:,?][i]：可看做是一个截面与其他轴截面的交点所组成的数组，每个索引轴都会导致结果维度降1 a[[i,j],[k,l]]等价于[a[i,k],a[j,l]]：不同轴的数组索引必须等长，会通过zip()配对，配对导致结果维数降1 a[m:n,?]等价于a[:,?][m:n]：多截面与多截面交点组成的新数组，维数不变 布尔索引：布尔索引不仅可用于作为单轴的数组索引，还可以与数组有相同形状，返回Ture所在的所有元素，结果为一维数组

说明：单个索引和索引序列配对的结果会发生降维，每个单索引都会使结果降1维，所有索引序列配整体上对会使结果降一维；

a = np.random.randint(3,size=(3,4))
a

array([[1, 1, 2, 1],
       [0, 2, 0, 1],
       [2, 0, 0, 0]])

一维 单索引

# 索引，降1维
print a[1],'\n'
# 负数索引
print a[-2],'\n'

[0 2 0 1] 

[0 2 0 1] 

数组索引

# 数组索引，不降维
print a[np.array([1,2])],'\n'
# list会自动转化为数组
print a[[1,2]],'\n'
# tuple不会转化为数组
print a[(1,2)],'\n'
# 允许索引重复
print a[np.array([1,1,2])],'\n'
# 结果按数组索引形状
a[np.array([[1,1],[2,2]])]

[[0 2 0 1]
 [2 0 0 0]] 

[[0 2 0 1]
 [2 0 0 0]] 

0 

[[0 2 0 1]
 [0 2 0 1]
 [2 0 0 0]] 

array([[[0, 2, 0, 1],
        [0, 2, 0, 1]],

       [[2, 0, 0, 0],
        [2, 0, 0, 0]]])

布尔索引

# 布尔索引
a[[True,False,False]]

array([[1, 1, 2, 1]])

切片

# 切片
a[:-1]

array([[1, 1, 2, 1],
       [0, 2, 0, 1]])

二维

a

array([[1, 1, 2, 1],
       [0, 2, 0, 1],
       [2, 0, 0, 0]])

单索引与其他

# 索引与其他
# 虽然结果上等价于a[0][1]，但是这种方式会产生临时数组，更加低效
a[0,1]

1

a[0,[0,1]]

array([1, 1])

a[0,[True,False,False,True]]

array([1, 1])

a[0,:]

array([1, 1, 2, 1])

数组索引配对

# 数组索引的配对
print a[[1,2],[1,2]],'\n'

print a[np.array([[1,2],[1,2]]),
        np.array([[0,1],[0,1]])]

[2 0] 

[[0 0]
 [0 0]]

a[[1,2],[False,True,True,False]]

array([2, 0])

切片与切片/数组索引

# 切片与切片/序列索引
a[[1,2],1:]

array([[2, 0, 1],
       [0, 0, 0]])

a[1:,a[1]>0]

array([[2, 1],
       [0, 0]])

z = np.arange(81).reshape(3,3,3,3)
z[1,...,2]

array([[29, 32, 35],
       [38, 41, 44],
       [47, 50, 53]])

整体布尔索引

# 整体布尔索引
z[z>70]

array([71, 72, 73, 74, 75, 76, 77, 78, 79, 80])

结构化索引工具

可以在数组索引中使用np.newaxis对象来添加大小为1的新维

x=np.arange(3)
print x,x.shape
# 等价于x.reshap(-1,1)
y = x[:,np.newaxis]
print y,y.shape

[0 1 2] (3,)
[[0]
 [1]
 [2]] (3, 1)

索引变量

当你想要写一个可以处理不同维度参数的函数时，可以使向数组索引传递一个元组。

a = np.arange(12).reshape(3,4)
indices = (1,slice(0,2))
print a[indices],'\n'

[4 5] 

索引赋值

与python列表类似，将一个数组赋值给一个变量只是使该变量引用了该数组；而对数组的索引进行赋值，则是对该数组进行原地修改。

索引赋值的前提——可广播：等号右侧的数组能够广播到等号左侧被赋值的索引数组； 索引赋值的过程——原地修改：等号右侧的数组首先广播到等号左侧被复制的数组，然后原地覆盖索引数组中的数据； 重复数组索引的赋值——最后一次生效：重复数组索引中重复元素引用的是同一元素，对带元素的多次赋值只有最后一次会覆盖掉前面的赋值； 注意——视图/副本：切片只是产生原数组的新视图，不会复制原数组中的数据；而索引、数组索引、布尔索引则会产生原数组的新副本；如果有另外的变量引用了索引结果，只有该变量引用的是切片的时候，对该变量的原地修改会影响到原数组，否则修改的只是新副本，不会影响到原数组 切片产生视图，索引产生副本

x = np.arange(12).reshape(3,4)
x

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

# 索引产生副本
y = x[0,[0,1,2,3]]
y[[0,1,2]] = 99
x

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

# 切片产生视图
y = x[0,:]
y[[0,1,2]] = 99
x

array([[99, 99, 99,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

索引赋值为原地修改

x = np.arange(12).reshape(3,4)
x[[0,1],[True,False,True,False]] = 99
x

array([[99,  1,  2,  3],
       [ 4,  5, 99,  7],
       [ 8,  9, 10, 11]])

赋值数组可广播到索引数组

x[:]=np.array([9,9,9,9])
x

array([[9, 9, 9, 9],
       [9, 9, 9, 9],
       [9, 9, 9, 9]])

重复数组索引的赋值

x = np.array([1,2,3,4])
x

array([1, 2, 3, 4])

y = x[np.array([[1,1],[2,2]])]
y

array([[2, 2],
       [3, 3]])

y[0]=111
x

array([1, 2, 3, 4])

# 最后一次赋值生效
x[np.array([[1,1],[2,2]])] = np.array([[10,20],[30,40]])
x

array([ 1, 20, 40,  4])

# 最后一次赋值生效
x[[1,1,3,1]] +=1
x

array([ 1, 21, 40,  5])

数组堆叠

几个数组可以沿不同的轴堆叠在一起：

# 列向拼接
a = np.floor(10*np.random.random((2,2)))
b = np.floor(10*np.random.random((2,2)))
np.hstack((a,b))

array([[ 7.,  4.,  3.,  0.],
       [ 4.,  1.,  7.,  0.]])

# 行向拼接
np.vstack((a,b))

array([[ 7.,  4.],
       [ 4.,  1.],
       [ 3.,  0.],
       [ 7.,  0.]])

# 沿其水平轴拆分数组，通过指定要返回的均匀划分的数组数量，或通过指定要在其后进行划分的列
np.hsplit(a,2)

[array([[ 7.],
        [ 4.]]), array([[ 4.],
        [ 1.]])]

ufunc对象

参见：速入门教程

大部分能够作用于数组的数学函数如数组的基本运算、三角函数等，都是 ufunc 对象。

numpy函数

all, any, apply_along_axis, argmax, argmin, argsort, average, bincount, ceil, clip, conj, corrcoef, cov, cross, cumprod, cumsum, diff, dot, floor, inner, inv, lexsort, max, maximum, mean, median, min, minimum, nonzero, outer, prod, re, round, sort, std, sum, trace, transpose, var, vdot, vectorize, where

函数 说明 用法 all 测试沿给定轴的所有数组元素是否为True np.all(a,axis=1) any 测试沿给定轴的任何数组元素是否为True np.any(a,axis=1) apply_along_axis 沿着给定轴向1-D切片应用函数 np.apply_along_axis(func,axis,arr) argmax 返回最大数的索引 numpy.argmax(a, axis=None, out=None) argsort 返回排序后的索引 argsort(a, axis=-1, kind=’quicksort’, order=None)[source] average 计算加权平均 average(a, axis=None, weights=None, returned=False) bincount 计算非负整数数组中每个值出现的次数 bincount(x, weights=None, minlength=None) ceil 元素向上取整 ceil(x[, out]) =

a = np.random.randint(10,size=(3,4))
a

array([[0, 4, 6, 3],
       [5, 9, 3, 8],
       [3, 0, 9, 6]])

# 是否所有都为True
np.all(a,axis=0)

array([False, False,  True,  True], dtype=bool)

# 是否含True
np.any(a)

True

# 沿着某轴应用函数
np.apply_along_axis(lambda x: sum(x),axis=0,arr=a)

array([ 8, 13, 18, 17])

# 返回最大值的索引
print np.argmax(a)
print np.argmin(a)
print np.argmax(a,axis=1)

5
0
[2 1 2]

# 向上取整
np.ceil(a)

array([[ 0.,  4.,  6.,  3.],
       [ 5.,  9.,  3.,  8.],
       [ 3.,  0.,  9.,  6.]])

# 向下取整
np.floor(a)

array([[ 0.,  4.,  6.,  3.],
       [ 5.,  9.,  3.,  8.],
       [ 3.,  0.,  9.,  6.]])

# 限制数组中的值
np.clip(a,[3,4,5,6],8)

array([[3, 4, 6, 6],
       [5, 8, 5, 8],
       [3, 4, 8, 6]])

# 如果给定x和y且输入数组是1-D，where等效于：
# [xv if c else yv for (c,xv,yv) in zip(condition,x,y)]
np.where([[True, False], 
          [True, True]],
         [[1, 2], 
          [3, 4]],
         [[9, 8], 
          [7, 6]])

array([[1, 8],
       [3, 4]])

运算

参考：ufunc运算

Numpy操作（包括算术、比较、逻辑、位运算等，这些运算都是通过Numpy提供的标准ufunc函数实现的）通常由成对的阵列（可广播的）完成，阵列间逐个元素对元素地执行运算，结果阵列的尺寸为广播后的尺寸。

算术运算

比较运算

使用“==”、“>”等比较运算符比较两个数组，将返回一个布尔数组，它的每个元素的值是两个数组对应元素比较的结果。

逻辑运算

由于Python的布尔运算使用and,or和Not等关键字，无法被重载，因此数组的布尔运算智能通过ufunc对应的函数来操作，这些函数以logical_开头，如下：

逻辑函数 逻辑 logic_and 与 logic_or 或 logic_xor 异或 logic_not 否 位运算

以bitwise_开头的函数是比特运算函数，包括bitwise_and、bitwise_not、bitwise_or和bitwise_xor等，也可以使用&、~、|、^等操作符来计算。

广播机制(Broadcasting)

参考：Python库numpy中的Broadcasting机制解析

广播用以描述numpy中对两个形状不同的阵列进行数学计算的处理机制:较小的阵列“广播”到较大阵列相同的形状尺度上，使它们对等以可以进行数学计算。广播提供了一种向量化阵列的操作方式，因此Python不需要像C一样循环。广播操作不需要数据复制，通常执行效率非常高。然而，有时广播是个坏主意，可能会导致内存浪费以致计算减慢。

Numpy操作通常由成对的阵列完成，阵列间逐个元素对元素地执行，最简单情形是两个阵列有相同的形状，Numpy的广播机制放宽了对阵列形状的限制:

广播前提：当对两个阵列进行操作时，Numpy会从后向前逐维地比较二者在该维上的长度，当两个阵列在每个维度上均满足以下条件时，二者是兼容的，否则将会抛出异常frames are not aligned exception：
它们的长度相等 其中一个长度1（为空则默认视作1）

广播过程：尺寸为1的维度会自动“复制”该维度上的值以扩展到与另一个维度匹配。（实际上，复制仅是概念上的，Numpy并不需要真的复制原始数据，所以广播计算在内存和效率上都很高效）

广播结果：结果阵列的各维尺寸与输入阵列的各维度最大尺寸相同

最简单的情形是一个阵列和一个值进行运算
A      (2d array):  5 x 4
B      (1d array):      1
Result (2d array):  5 x 4

A      (2d array):  5 x 4
B      (1d array):      4
Result (2d array):  5 x 4

A      (4d array):  8 x 1 x 6 x 1
B      (3d array):      7 x 1 x 5
Result (4d array):  8 x 7 x 6 x 5

A      (3d array):  15 x 3 x 5
B      (3d array):  15 x 1 x 5
Result (3d array):  15 x 3 x 5

A      (3d array):  15 x 3 x 5
B      (2d array):       3 x 5
Result (3d array):  15 x 3 x 5

A      (3d array):  15 x 3 x 5
B      (2d array):       3 x 1
Result (3d array):  15 x 3 x 5

如果你有一个256x256x3的RGB阵列，你想要对每一种颜色加一个权重，你就可以乘以一个拥有3个元素的一维阵列
Image  (3d array): 256 x 256 x 3
Scale  (1d array):             3
Result (3d array): 256 x 256 x 3

# 广播提供了一种计算外积（或者任何外部运算）的便捷的方式
a = np.array([0.0, 10.0, 20.0, 30.0]).reshape(-1,1)
b = np.array([1.0, 2.0, 3.0])
print a.shape,b.shape
a + b   

(4, 1) (3,)





array([[  1.,   2.,   3.],
       [ 11.,  12.,  13.],
       [ 21.,  22.,  23.],
       [ 31.,  32.,  33.]])

ufunc对象的方法

dir(np.add)

['__call__',
 '__class__',
 '__delattr__',
 '__doc__',
 '__format__',
 '__getattribute__',
 '__hash__',
 '__init__',
 '__name__',
 '__new__',
 '__reduce__',
 '__reduce_ex__',
 '__repr__',
 '__setattr__',
 '__sizeof__',
 '__str__',
 '__subclasshook__',
 'accumulate',
 'at',
 'identity',
 'nargs',
 'nin',
 'nout',
 'ntypes',
 'outer',
 'reduce',
 'reduceat',
 'signature',
 'types']

特别地，对于二元操作符所对应的 ufunc 对象，支持以下方法：

reduce方法

op.reduce(a):沿着某个轴应用op，使得数组 a 的维数降低一维

x = np.array([[1,2,3],[4,5,6]])
np.add.reduce(x,1)

array([ 6, 15])

a = np.array(['ab', 'cd', 'ef'], np.object)
np.add.reduce(a)

'abcdef'

a = np.array([1,1,0,1])
np.logical_and.reduce(a)

False

accumulate 方法

op.accumulate(a):accumulate 可以看成保存 reduce 每一步的结果所形成的数组

a = np.array(['ab', 'cd', 'ef'], np.object)

np.add.accumulate(a)

array(['ab', 'abcd', 'abcdef'], dtype=object)

reduceat 方法

op.reduceat(a, indices):reduceat 方法将操作符运用到指定的下标上，返回一个与 indices 大小相同的数组

a = np.array([10, 10, 20, 30, 40, 50])
indices = np.array([1,4])
# indices 为 [1, 4]，所以 60 表示从下标1（包括）加到下标4（不包括）的结果，90 表示从下标4（包括）加到结尾的结果
np.add.reduceat(a, indices)

array([60, 90])

outer方法

op.outer(a, b)：对于 a 中每个元素，将 op 运用到它和 b 的每一个元素上所得到的结果

a = np.array([0,1])
b = np.array([1,2,3])

np.add.outer(a, b)

array([[1, 2, 3],
       [2, 3, 4]])

自定义ufunc函数

参考：ufunc运算

ufunc是universal function的缩写，它是一种能对数组中每个元素进行操作的函数。Numpy内置的许多ufunc函数都是C语言实现的，计算速度非常快。

通过Numpy提供的标准ufunc函数可以满足大多要求，但有些特殊情况需要自定义函数来实现。这时，可以采用python函数来实现，然后使用frompyfunc( )函数将一个计算单个元素的函数转换为ufunc函数

frompyfunc(func,nin,nout)

原型：frompyfunc(func,nin,nout)

参数：

func：计算单个元素的函数 nin：输入参数的个数 nout：func返回值的个数

返回：自定义ufunc函数

实例

例如，用一个分段函数来描述三角波，它的样子如图所示：

def triangle_wave(x,c,c0,hc):
    x = x - int(x)   #周期为1，取小数部分计算
    if x>=c:
        r = 0.0
    elif x
array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  0.5 ,  0.  ,  0.  ,  0.  ,  0.  ])

y2.dtype
dtype('O')

导入导出
a = np.loadtxt('./test_io.csv',
               dtype=float,delimiter=',',comments='#',
              skiprows=1,usecols=[0,1],converters = {0: lambda x:int(x)})
a
array([[ 1.,  2.],
       [ 4.,  5.],
       [ 5.,  5.]])

a = np.loadtxt('./test_io.txt',
               dtype=float,delimiter=',',comments='#',
              skiprows=1,usecols=[0,1],converters = {0: lambda x:int(x)})
a
array([[  5.,   6.],
       [  9.,  10.]])

def myfunc(a,b):
    if (a>b): return a
    else: return b
vecfunc = np.vectorize(myfunc)
result=vecfunc([[1,2,3],[5,6,9]],[7,4,5])
print(result)
[[7 4 5]
 [7 6 9]]