手把手一起学习Python NumPy

NumPy 是用于处理数组的 python 库，NumPy 中的数组对象称为 ndarray，它提供了许多支持函数，使得利用 ndarray 非常容易。Numpy官方网址

NumPy 安装

使用pip安装NumPy 模块：

pip install numpy

NumPy 入门

创建numpy数组，示例程序如下：

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

print(arr)

运行程序：

在这里插入图片描述

NumPy 创建数组

创建不同维度的数组，示例程序如下：

import numpy as np
# 0-dimensional array
arr = np.array(42)
print('数组：',arr,'维度：', arr.ndim)

# 1-dimensional array
arr = np.array([1, 2, 3, 4, 5])
print('数组：',arr,'维度：', arr.ndim)

# 2-dimensional array
arr = np.array([[1, 2, 3], [4, 5, 6]])
print('数组：',arr,'维度：', arr.ndim)

# 3-dimensional array
arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print('数组：',arr,'维度：', arr.ndim)

运行程序：

在这里插入图片描述

NumPy 数组索引

通过数组索引访问数组元素，NumPy 数组中的索引以 0 开始，以此类推，示例程序如下：

import numpy as np

# 1-dimensional array
arr = np.array([1, 2, 3, 4, 5])
print('数组第一个元素：',arr[0])
print('数组最后一个元素：',arr[-1])

# 2-dimensional array
arr = np.array([[1, 2, 3], [4, 5, 6]])
print('数组第一维度第一个元素：',arr[0,0])
print('数组第二维度第二个元素：',arr[1,1])
print('数组最后维度最后一个元素：',arr[-1,-1])

# 3-dimensional array
arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print('数组第一个数组的第一个数组的第一个元素：',arr[0,0,0])
print('数组第二个数组的第二个数组的第二个元素：',arr[1,1,1])
print('数组最后一个数组的最后一个数组的最后一个元素：',arr[-1,-1,-1])

运行程序：

在这里插入图片描述

NumPy 数组切片

数组切片，数组名[start：end]，返回结果包含start索引对应的元素，不包含end索引对应的元素；数组名[start：end：step]，step是步长，示例程序如下：

import numpy as np

# 1-dimensional array
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
print('数组切片，索引1到索引3(包含1，不包含3)的元素：', arr[1:3])
print('数组切片，索引2到最后一个元素：', arr[2:])
print('数组切片，索引0到索引4(不包含4)的元素：', arr[:4])
print('数组切片，索引0到从末尾开始索引2的元素：', arr[:-2])
print('数组切片，从末尾开始索引3到1的元素：',arr[-3:-1])
print('数组切片，每隔2个元素取一个元素：',arr[1:4:2])
print('数组切片，每隔2个元素取一个元素，索引从0开始：',arr[::2])

# 2-dimensional array
arr = np.array([[1, 2, 3,4,5], [6,7,8,9,10]])
print('数组切片，索引1行，索引1到索引3(包含1，不包含3)的元素：', arr[1,1:3])
print('数组切片，索引1行，索引2到最后一个元素：', arr[1,2:])
print('数组切片，索引0行，索引0到索引4(不包含4)的元素：', arr[0,:4])
print('数组切片，索引0和1行，索引1到索引4的元素：', arr[0:2,1:4])

# 3-dimensional array
arr = np.array([[[1, 2,3,4], [3, 4,5,6]], [[5, 6,7,8], [7, 8,9,10]]])
print('数组切片，索引1层，索引1行，索引1到索引3(包含1，不包含3)的元素：', arr[1,1,1:3])
print('数组切片，索引1层，索引1行，索引2到最后一个元素：', arr[1,1,2:])
print('数组切片，索引0层，索引0行，索引0到索引4(不包含4)的元素：', arr[0,0,:4])
print('数组切片，索引0层，索引0行，索引1到索引4的元素：', arr[0,0,1:4])
print('数组切片，索引0层，索引1行，索引1到索引4的元素：', arr[0,1,1:4])
print('数组切片，索引1层，索引0行，索引1到索引4的元素：', arr[1,0,1:4])

运行程序：

在这里插入图片描述

NumPy 数据类型

NumPy 中所有数据类型以及用于表示它们的字符如下：

字符	数据类型
i	整数
b	布尔
u	无符号整数
f	浮点
c	复合浮点数
m	timedelta
M	datetime
O	对象
S	字符串
U	unicode字符串
V	固定的其他类型的内存块

使用dtype可以返回数组的数据类型，示例程序如下：

import numpy as np

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

print(arr.dtype)

arr = np.array(['a', 'b', 'c'])

print(arr.dtype)

arr = np.array([1.2, 3.4, 5.6])

print(arr.dtype)

arr = np.array([False, True])

print(arr.dtype)

运行程序：

在这里插入图片描述
使用已定义的数据类型创建数组，示例程序如下：

import numpy as np

arr = np.array([1, 2, 3, 4], dtype='S')

print(arr)
print(arr.dtype)

arr = np.array([1, 2, 3, 4], dtype='i4')

print(arr)
print(arr.dtype)

arr = np.array([1, 2, 3, 4], dtype='f')

print(arr)
print(arr.dtype)

运行程序：

在这里插入图片描述
转换已有数组的数据类型，示例程序如下：

import numpy as np

arr = np.array([1.1, 2.1, 3.1])

newarr = arr.astype('i')

print(newarr)
print(newarr.dtype)

arr = np.array([1, 0, 3])

newarr = arr.astype(bool)

print(newarr)
print(newarr.dtype)

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

newarr = arr.astype(str)

print(newarr)
print(newarr.dtype)

运行程序：

在这里插入图片描述

NumPy 数组COPY

复制数组，示例程序如下：

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
copyarr = arr.copy()
arr[0] = 9
arr[1] = 8

print('arr数组：',arr)
print('copyarr数组：',copyarr)

运行程序：

在这里插入图片描述

NumPy 数组VIEW

数组视图，示例程序如下：

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
arrview = arr.view()
arr[0] = 9
arr[1] = 8

print(arr)
print(arrview)

运行程序：
在这里插入图片描述
copy和数组view之间的主要区别在于copy是一个新数组，而view只是原始数组的view

NumPy 数组形状

数组的形状是每个维中元素的数量，示例程序如下：

import numpy as np

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

print(arr.shape)

arr = np.array([1, 2, 3, 4], ndmin=6)

print(arr)
print(arr.shape)
print(arr[0, 0, 0, 0, 0, 3])

运行程序：

在这里插入图片描述

NumPy 数组重塑

重塑意味着更改数组的形状，示例代码如下：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
# 1维数组转化为2维数组
newarr = arr.reshape(4, 3)
print('2维数组',newarr)
# 2维数组转化为1维数组
newarr1 = newarr.flatten()
print('1维数组',newarr1)
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
# 1维数组转化为3维数组
newarr = arr.reshape(2, 3, 2)
print('3维数组',newarr)
# 3维数组转化为1维数组
newarr1 = newarr.flatten()
print('1维数组',newarr1)

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])
# 1维数组转化为3维数组
newarr = arr.reshape(2, 3, -1)
print('3维数组',newarr)
# 3维数组转化为1维数组
newarr1 = newarr.reshape(-1)
print('1维数组',newarr1)

运行程序：

在这里插入图片描述

展平数组（Flattening the arrays）是指将多维数组转换为 1D 数组，可以使用flatten()或者reshape(-1)

NumPy 数组迭代

迭代意味着逐一遍历元素，可以使用 for 循环来完成，示例程序如下：

import numpy as np

arr = np.array([1, 2])

for x in arr:
  print(x)

arr = np.array([[1, 2], [4, 5]])

for x in arr:
  print(x)

for x in arr:
  for y in x:
    print(y)

arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

for x in arr:
  for y in x:
    for z in y:
      print(z)

运行程序：

在这里插入图片描述
使用 nditer() 迭代数组，示例程序如下：

import numpy as np

arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

for x in np.nditer(arr):
  print(x)

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print('遍历时跳过1个元素')
for x in np.nditer(arr[:, ::2]):
  print(x)

运行程序：

在这里插入图片描述
使用 ndenumerate() 进行枚举迭代，示例程序如下：

import numpy as np

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

for idx, x in np.ndenumerate(arr):
  print(idx, x)

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

for idx, x in np.ndenumerate(arr):
  print(idx, x)

运行程序：

在这里插入图片描述

NumPy 数组连接

使用concatenate()函数连接，示例程序如下：

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
arr = np.concatenate((arr1, arr2))
print('沿着axis=0方向合并：',arr)
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
arr = np.concatenate((arr1, arr2), axis=1)
print('沿着axis=1方向合并：',arr)

运行程序：

在这里插入图片描述
使用堆栈函数连接数组，示例程序如下：

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
arr = np.stack((arr1, arr2), axis=1)
print('stack连接数组：',arr)
# 沿行堆叠
arr = np.hstack((arr1, arr2))
print('hstack连接数组：',arr)
# 沿列堆叠
arr = np.vstack((arr1, arr2))
print('vstack连接数组：',arr)
# 沿高度堆叠
arr = np.dstack((arr1, arr2))
print('dstack连接数组：',arr)

运行程序：

在这里插入图片描述

NumPy 数组拆分

使用 array_split() 分割数组，示例程序如下：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6])
newarr = np.array_split(arr, 3)
print(newarr)
print(newarr[0])
print(newarr[1])
print(newarr[2])
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14, 15], [16, 17, 18]])
newarr = np.array_split(arr, 3)
print(newarr)
newarr = np.array_split(arr, 3, axis=1)
print(newarr)

运行程序：
在这里插入图片描述

NumPy 数组搜索

在数组中搜索（检索）某个值，然后返回获得匹配的索引，示例程序如下：

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 4, 4])
x = np.where(arr == 4)
print('元素4出现的位置',x)
x = np.where(arr%2 == 0)
print('偶数元素出现的位置',x)
x = np.where(arr%2 == 1)
print('奇数元素出现的位置',x)

运行程序：

在这里插入图片描述

NumPy 数组排序

sort()函数将对指定的数组进行排序，示例程序如下：

import numpy as np

arr = np.array([3, 2, 10, 6,4, 5, 9, 8, 7, 1])
print('原始数组：',arr)
print('排序后数组：',np.sort(arr))
arr = np.array(['d','q','z','a','r'])
print('原始数组：',arr)
print('排序后数组：',np.sort(arr))
arr = np.array([[3, 2, 4,1,5,8], [5, 0, 1,9,3,2]])
print('原始数组：',arr)
print('排序后数组：',np.sort(arr))

运行程序：

在这里插入图片描述

NumPy 数组过滤

从现有数组中取出一些元素并从中创建新数组称为过滤（filtering），示例代码如下：

import numpy as np

arr = np.array([41, 42, 43, 44])
filterarr = [True, False, True, False]
newarr = arr[filterarr]
print(newarr)

arr = np.array([1, 2, 3, 4, 5, 6, 7])
filterarr = arr % 2 == 0
newarr = arr[filterarr]
print(filterarr)
print(newarr)

运行程序：

在这里插入图片描述

NumPy 随机数

伪随机：通过生成算法生成的随机数，使用较多
真随机：从某个外部来源获取随机数据，外部来源通常是我们的击键、鼠标移动、网络数据

NumPy 提供了 random 模块来处理随机数，示例程序如下：

from numpy import random

x = random.randint(100)
print(x)
x = random.rand()
print(x)

运行程序：

在这里插入图片描述
randint() 方法生成随机数组，示例程序如下：

from numpy import random

x=random.randint(100, size=(5))
print(x)
x = random.randint(100, size=(3, 5))
print(x)

运行程序：

在这里插入图片描述
rand() 方法生成随机数组，示例程序如下：

from numpy import random

x = random.rand(5)
print(x)
x = random.rand(3, 5)
print(x)

运行程序：

在这里插入图片描述
choice() 方法从数组生成随机数，示例程序如下：

from numpy import random

x = random.choice([3, 5, 7, 9])
print(x)
x = random.choice([3, 5, 7, 9], size=(3, 5))
print(x)

运行程序：

在这里插入图片描述
choice() 方法可以指定每个值的概率，示例程序如下：

from numpy import random

# 随机生成100个整数，其中3的概率为0.1，5的概率为0.3，7的概率为0.6，9的概率为0.0
x = random.choice([3, 5, 7, 9], p=[0.1, 0.3, 0.6, 0.0], size=(100))

print(x)

运行程序：

在这里插入图片描述
shuffle()随机改变数组元素的排列，示例程序如下：

from numpy import random
import numpy as np

arr = np.array([1, 2, 3, 4, 5])

# 随机打乱数组
random.shuffle(arr)

print('原始数组:',arr)

print('随机打乱数组：', random.shuffle(arr))

运行程序：

在这里插入图片描述
permutation()随机改变数组元素的排列，不改变原数组，产生新数组，示例程序如下：

from numpy import random
import numpy as np

arr = np.array([1, 2, 3, 4, 5])

# 随机打乱数组
new_arr = random.permutation(arr)

print('原始数组:',arr)

print('随机打乱数组：',new_arr)

运行程序：

在这里插入图片描述

正态分布

random.normal()生成正态分布数据，示例程序如下：

from numpy import random

# 平均值为1，标准差为2，生成2行3列的随机数
x = random.normal(loc=1, scale=2, size=(2, 3))

print(x)

运行程序：

在这里插入图片描述

二项分布

random.binomial()生成二项分布数据，示例程序如下：

from numpy import random

# 试验10次，每次试验的成功概率为0.5，试验10次的结果
x = random.binomial(n=10, p=0.5, size=10)

print(x)

运行程序：

在这里插入图片描述

泊松分布

random.poisson()生成泊松分布数据，示例程序如下：

from numpy import random

# 生成10个服从泊松分布的随机数，λ=2
x = random.poisson(lam=2, size=10)

print(x)

运行程序：

在这里插入图片描述

均匀分布

random.uniform()生成均匀分布数据，示例程序如下：

from numpy import random

# 生成2行3列的随机数组，范围为0到1
x = random.uniform(low=0.0, high=1.0, size=(2, 3))

print(x)

运行程序：

在这里插入图片描述

Logistic 分布

random.logistic()生成Logistic分布数据，示例程序如下：

from numpy import random

# 生成2行3列的随机数据，服从logistic分布，峰值为1，标准差为2
x = random.logistic(loc=1, scale=2, size=(2, 3))

print(x)

运行程序：

在这里插入图片描述

多项分布

random.multinomial()生成多项分布数据，示例程序如下：

from numpy import random

# 生成一个6个元素的多项式分布，每个元素的概率都是1/8，共2组
x = random.multinomial(n=6, pvals=[1/8, 1/8, 1/8, 1/8, 1/8, 1/8], size=2)

print(x)

运行程序：

在这里插入图片描述

指数分布

random.exponential()生成指数分布数据，示例程序如下：

from numpy import random

# 生成2行3列的指数分布随机数，scale=2表示平均值为2
x = random.exponential(scale=2, size=(2, 3))

print(x)

运行程序：

在这里插入图片描述

卡方分布

random.chisquare()生成卡方分布数据，示例程序如下：

from numpy import random

# 生成2行3列的卡方分布随机数，df=2表示自由度为2
x = random.chisquare(df=2, size=(2, 3))

print(x)

运行程序：

在这里插入图片描述

瑞利分布

random.rayleigh()生成瑞利分布数据，示例程序如下：

from numpy import random

# 生成2x3的瑞利分布数据，scale为2表示标准差为2，size表示生成的数组大小
x = random.rayleigh(scale=2, size=(2, 3))

print(x)

运行程序：

在这里插入图片描述

帕累托分布

random.pareto()生成帕累托分布数据，示例程序如下：

from numpy import random

# 生成2行3列的pareto分布随机数，a=2表示形状参数，越大越偏斜，越小越正态分布，size=(2, 3)表示生成2行3列的数组
x = random.pareto(a=2, size=(2, 3))

print(x)

运行程序：

在这里插入图片描述

Zipf 分布

random.zipf()生成Zipf 分布数据，示例程序如下：

from numpy import random

# 生成2x3的zipf分布随机数，a=2表示分布参数，size=(2, 3)表示生成2行3列的矩阵
x = random.zipf(a=2, size=(2, 3))

print(x)

运行程序：

在这里插入图片描述

NumPy 通用方法

算术运算

add()将两个数组的内容相加，返回新数组，示例程序如下：

import numpy as np

arr1 = np.array([10, 11, 12, 13, 14, 15])
arr2 = np.array([20, 21, 22, 23, 24, 25])

# 数组相加
newarr = np.add(arr1, arr2)

print(newarr)

运行程序：

在这里插入图片描述

subtract()将一个数组中的值与另一个数组中的值相减，返回新数组，示例程序如下：

import numpy as np

arr1 = np.array([10, 20, 30, 40, 50, 60])
arr2 = np.array([20, 21, 22, 23, 24, 25])

# 数组 arr1 减去 arr21  
newarr = np.subtract(arr1, arr2)

print(newarr)

运行程序：

在这里插入图片描述

multiply()将一个数组中的值与另一个数组中的值相乘，返回新数组，示例程序如下：

import numpy as np

arr1 = np.array([10, 20, 30, 40, 50, 60])
arr2 = np.array([20, 21, 22, 23, 24, 25])

# 数组相乘
newarr = np.multiply(arr1, arr2)

print(newarr)

运行程序：

在这里插入图片描述

divide()将一个数组中的值与另一个数组中的值相除，返回新数组，示例程序如下：

import numpy as np

arr1 = np.array([10, 20, 30, 40, 50, 60])
arr2 = np.array([3, 5, 10, 8, 2, 33])

# 计算 arr1 除以 arr2 的商
newarr = np.divide(arr1, arr2)

print(newarr)

运行程序：

在这里插入图片描述

power()将第一个数组的值乘以第二个数组的值的幂，返回新数组，示例程序如下：

import numpy as np

arr1 = np.array([10, 20, 30, 40, 50, 60])
arr2 = np.array([3, 2, 4, 3, 2, 1])

# 计算arr1的arr2次方
newarr = np.power(arr1, arr2)

print(newarr)

运行程序：

在这里插入图片描述

mod() 和 remainder()都返回第一个数组对应第二个数组中的余数，返回新数组，示例程序如下：

import numpy as np

arr1 = np.array([10, 20, 30, 40, 50, 60])
arr2 = np.array([3, 7, 9, 8, 2, 3])

# 计算余数
newarr = np.mod(arr1, arr2)

print(newarr)

运行程序：

在这里插入图片描述

import numpy as np

arr1 = np.array([10, 20, 30, 40, 50, 60])
arr2 = np.array([3, 7, 9, 8, 2, 3])

# 计算余数
newarr = np.remainder(arr1, arr2)

print(newarr)

在这里插入图片描述

divmod()返回商和模，返回两个数组，第一个数组包含商，第二个数组包含模，示例程序如下：

import numpy as np

arr1 = np.array([10, 20, 30, 40, 50, 60])
arr2 = np.array([3, 7, 9, 8, 2, 3])

# 计算两个数组的商和余数
newarr = np.divmod(arr1, arr2)

print('商：',newarr[0])
print('余数：',newarr[1])

运行程序：

在这里插入图片描述

absolute()绝对值运算，返回新数组，示例程序如下：

import numpy as np

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

# 取绝对值
newarr = np.absolute(arr)

print(newarr)

运行程序：

在这里插入图片描述

四舍五入

trunc() 和 fix()四舍五入，返回最接近零的浮点数，示例程序如下：

import numpy as np

# 四舍五入, 向下取整
arr = np.trunc([-3.1666, 3.6667])

print(arr)

# 四舍五入, 向下取整
arr = np.fix([-3.1666, 3.6667])

print(arr)

运行程序：

在这里插入图片描述
around()四舍五入，示例程序如下：

import numpy as np

# 四舍五入，保留两位小数
arr = np.around(3.1666, 2)

print(arr)

运行程序：

在这里插入图片描述
floor()四舍五入，返回最接近的小整数，示例程序如下：

import numpy as np

# 四舍五入，最接近的小整数
arr = np.floor([-3.1666, 3.6667])

print(arr)

运行程序：

在这里插入图片描述
ceil()四舍五入，返回最接近的大整数，示例程序如下：

import numpy as np

# 四舍五入，向上取整，最接近的大整数
arr = np.ceil([-3.1666, 3.6667])

print(arr)

运行程序：

在这里插入图片描述

Log

log2()，log10()，log()示例程序如下：

import numpy as np

arr = np.arange(1, 10)

# 计算log2, log10, log
arrlog2 = np.log2(arr)

arrlog10 = np.log10(arr)

arrlog = np.log(arr)

print(arr)
print(arrlog2)
print(arrlog10)
print(arrlog)

运行程序：

在这里插入图片描述

求和

add()数组求和，返回新数组，示例程序如下：

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([1, 2, 3])

newarr = np.add(arr1, arr2)

print(newarr)

运行程序：

在这里插入图片描述

sum()数组值求和，可指定轴，示例程序如下：

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([1, 2, 3])

# 数组相加，默认是逐元素相加
n = np.sum([arr1, arr2])

print(n)

# 数组相加，指定轴axis=0
n = np.sum([arr1, arr2], axis=0)

print(n)

# 数组相加，指定轴axis=1
n = np.sum([arr1, arr2], axis=1)

print(n)

运行程序：

在这里插入图片描述

cumsum()累积和，返回数组，示例程序如下：

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

newarr = np.cumsum(arr)

print(newarr)

运行程序：

在这里插入图片描述

乘积

prod()计算乘积，示例程序如下：

import numpy as np

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

# 计算乘积
x = np.prod(arr)
print(x)

arr1 = np.array([1, 2, 3, 4])
arr2 = np.array([5, 6, 7, 8])

# 计算两个数组的乘积
x = np.prod([arr1, arr2])
print(x)

# 计算两个数组的乘积，并指定轴axis=1
newarr = np.prod([arr1, arr2], axis=1)
print(newarr)

# 计算两个数组的乘积，并指定轴axis=0
newarr = np.prod([arr1, arr2], axis=0)
print(newarr)

运行程序：

在这里插入图片描述

cumprod()累积乘积，示例程序如下：

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

newarr = np.cumprod(arr)

print(newarr)

运行程序：

在这里插入图片描述

差异

diff()数组中连续元素作差，示例程序如下：

import numpy as np

arr = np.array([10, 15, 25, 5])

# 计算差分
newarr = np.diff(arr)

print(newarr)

# 计算差分 n=2，即执行两次差分
newarr = np.diff(arr, n=2)

print(newarr)

运行程序：

在这里插入图片描述

最小公倍数

lcm()，计算最小公倍数，示例程序如下：

import numpy as np

num1 = 4
num2 = 6

# 最小公倍数
x = np.lcm(num1, num2)

print(x)

arr = np.array([3, 6, 9])

# 数组最小公倍数
x = np.lcm.reduce(arr)

print(x)

运行程序：

在这里插入图片描述

最大公约数

gcd()，计算最大公约数，示例程序如下：

import numpy as np

num1 = 6
num2 = 9

# 计算最大公约数
x = np.gcd(num1, num2)

print(x)

arr = np.array([20, 8, 32, 36, 16])

# 计算数组中最大公约数
x = np.gcd.reduce(arr)

print(x)

运行程序：

在这里插入图片描述

三角函数

sin()、cos() 和 tan()计算，示例程序如下：

import numpy as np

x = np.sin(np.pi/2)
print(x)

arr = np.array([np.pi/2, np.pi/3, np.pi/4, np.pi/5])
x = np.sin(arr)
print(x)

x = np.cos(np.pi/2)
print(x)

arr = np.array([np.pi/2, np.pi/3, np.pi/4, np.pi/5])
x = np.cos(arr)
print(x)

x = np.tan(np.pi/4)
print(x)

arr = np.array([np.pi/4, np.pi/6, np.pi/8, np.pi/10])
x = np.tan(arr)
print(x)

运行程序：

在这里插入图片描述
deg2rad()，度数转换为弧度，rad2deg()，弧度到度数，示例程序如下：

import numpy as np

arr = np.array([90, 180, 270, 360])

x = np.deg2rad(arr)

print(x)

arr = np.array([np.pi/2, np.pi, 1.5*np.pi, 2*np.pi])

x = np.rad2deg(arr)

print(x)

运行程序：

在这里插入图片描述

arcsin()、arccos() 和 arctan()，示例程序如下：

import numpy as np

x = np.arcsin(1.0)
print(x)

y = np.arccos(1.0)
print(y)

z = np.arctan(1.0)
print(z)

arr = np.array([1, -1, 0.1])
x = np.arcsin(arr)
print(x)

y = np.arccos(arr)
print(y)

z = np.arctan(arr)
print(z)

运行程序：

在这里插入图片描述

双曲线函数

sinh()、cosh() 和 tanh()，示例程序如下：

import numpy as np

x = np.sinh(np.pi/2)
print(x)

y = np.cosh(np.pi/2)
print(y)

z = np.tanh(np.pi/4)
print(z)

arr = np.array([np.pi/2, np.pi/3, np.pi/4, np.pi/5])
x = np.sinh(arr)
print(x)


arr = np.array([np.pi/2, np.pi/3, np.pi/4, np.pi/5])
y = np.cosh(arr)
print(y)


arr = np.array([np.pi/4, np.pi/3, np.pi/2, np.pi/5])
z = np.tanh(arr)
print(z)

运行程序：

在这里插入图片描述

arcsinh()、arccosh() 和 arctanh()，示例程序如下：

import numpy as np

x = np.arcsinh(1.0)
print(x)

y = np.arccosh(1.0)
print(y)

z = np.arctanh(0.5)
print(z)

arr = np.array([0.1, 0.2, 0.5])
x = np.arctanh(arr)
print(x)

arr = np.array([1.0, 2.0, 3.0])
x = np.arcsinh(arr)
print(x)

arr = np.array([1.0, 2.0, 3.0])
x = np.arccosh(arr)
print(x)

运行程序：

在这里插入图片描述

集合操作

unique() 方法从任何数组中查找唯一元素，示例程序如下：

import numpy as np

arr = np.array([1, 1, 1, 2, 3, 4, 5, 5, 6, 7])

# unique()函数可以返回数组中唯一的元素
x = np.unique(arr)

print(x)

运行程序：

在这里插入图片描述

union1d()方法查找两个数组的唯一值，示例程序如下：

import numpy as np

arr1 = np.array([1, 2, 3, 4])
arr2 = np.array([3, 4, 5, 6])

# union1d()函数用于求两个数组的并集，即两个数组中所有不重复的元素组成的数组
newarr = np.union1d(arr1, arr2)

print(newarr)

运行程序：

在这里插入图片描述

intersect1d()方法查找两个数组中都存在的值==(交集)==，示例程序如下：

import numpy as np

arr1 = np.array([1, 2, 3, 4])
arr2 = np.array([3, 4, 5, 6])

# intersect1d()函数用于求两个数组的交集，返回一个新的数组，该数组包含两个数组的公共元素
newarr = np.intersect1d(arr1, arr2, assume_unique=True)

print(newarr)

运行程序：

在这里插入图片描述

setdiff1d()方法查找第一组中不存在于第二组中的值==(差集)==，示例程序如下：

import numpy as np

set1 = np.array([1, 2, 3, 4])
set2 = np.array([3, 4, 5, 6])

# 计算差集，即set1中存在而set2中不存在的元素
newarr = np.setdiff1d(set1, set2, assume_unique=True)

print(newarr)

运行程序：

在这里插入图片描述

setxor1d()方法查找两个集合中互相不存在的值==(对称差集)==，示例程序如下：

import numpy as np

set1 = np.array([1, 2, 3, 4])
set2 = np.array([3, 4, 5, 6])

# 计算对称差集，即两个集合中不重复的元素
newarr = np.setxor1d(set1, set2, assume_unique=True)

print(newarr)