7.科学计算模块Numpy（4）ndarray数组的常用操作（二）

引言

书接上回，numpy能作为python中最受欢迎的数据处理模块，脱离不了它最核心的部件——ndarray数组。那么，我们今天就来了解一下numpy中对ndarray的常用操作。

通过阅读本篇博客，你可以：

1.掌握ndarray数组的分割

2.掌握ndarray数组的各类运算函数

一、ndarray数组的分割

通过上一篇博客的学习（6.科学计算模块Numpy（3）ndarray数组的常用操作（一）_<class 'numpy.ndarray'>-CSDN博客），我们已经掌握了ndarray数组的拼接操作。正如古语所说“阴阳并济”，有了数组的拼接，那么必然有数组的分割。

数组的分割有以下常用的方法。

1.split()

import numpy as np
np.split(arr,indices_or_sections,axis)

numpy.split()函数沿特定的轴将数组分割为子数组。

arr：被分割的数组

indices_or_sections:如果是一个整数，就用该数平均切分。如果是一个数组，则按照数组的值为索引进行切分。

axis:沿着哪个维度进行切分，默认为0，横向切分。为1时，纵向切分。

代码示例如下：

import numpy as np

#按整数平均切分
arr = np.arange(9)
split_arr = np.split(arr, 3)  # 分割成3个等大小的子数组
print(split_arr)    #[array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])]



#按索引切分
arr = np.arange(9)
split_arr = np.split(arr, [2, 5])  # 在索引2和5处分割数组
print(split_arr)    #[array([0, 1]), array([2, 3, 4]), array([5, 6, 7, 8])]

2.hsplit()

import numpy as np
np.hsplit(arr, indices_or_sections)

numpy.hsplit()用于将数组沿水平方向（即列方向）进行分割。它可以将多维数组分割成多个子数组，每个子数组具有相同的行数，但列数不同。

代码示例如下：

import numpy as np

#等宽分割
arr = np.arange(12).reshape(3, 4)  # 创建一个3x4的二维数组
split_arr = np.hsplit(arr, 2)  # 分割成2个等宽的子数组
print(split_arr)
"""[array([[0, 1],
           [4, 5],
           [8, 9]]),
    array([[ 2,  3],
           [ 6,  7],
           [10, 11]])]"""


split_arr = np.hsplit(arr, [2])  # 在第2列处分割数组
print(split_arr)
"""[array([[0, 1],
           [4, 5],
           [8, 9]]),
    array([[ 2,  3],
           [ 6,  7],
           [10, 11]])]"""

3.vsplit()

import numpy as np
np.vsplit(ary, indices_or_sections)

numpy.vsplit()用于将数组沿垂直方向（即行方向）进行分割。它可以将多维数组沿着行方向分割成多个子数组，每个子数组具有相同的列数，但行数不同。

代码示例如下：

import numpy as np

arr = np.arange(12).reshape(4, 3)  # 创建一个4x3的二维数组
split_arr = np.vsplit(arr, 2)  # 分割成2个等高的子数组
print(split_arr)
"""[array([[0, 1, 2],
           [3, 4, 5]]),
    array([[ 6,  7,  8],
           [ 9, 10, 11]])]
"""


split_arr = np.vsplit(arr, [2])  # 在第2行处分割数组
print(split_arr)
"""[array([[0, 1, 2],
           [3, 4, 5]]),
    array([[ 6,  7,  8],
           [ 9, 10, 11]])]
"""

二、ndarray数组的各类运算函数

1.算术函数

如果参与运算的两个对象都是ndarray，且形状相同。那么我们就可以对位彼此之间进行（+ - * /）运算。numpy中的算术函数包括简单的加减乘除：add(),subtract(),multiply(),divide()。

①add()

import numpy as np
np.add(x1, x2, out=None, where=True)

numpy.add()函数用于对两个数组进行逐个元素的加法运算。x1和x2是输入的两个数组。out是用来提供存储结果的变量，默认是None。where用于控制哪些元素进行计算，默认是True，即所有元素都参与计算。

代码示例如下：

import numpy as np

# 基本加法
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
result = np.add(a, b)
print(result)  # 输出: [5 7 9]

# 使用 out 参数
c = np.array([10, 20, 30])
d = np.array([1, 2, 3])
out_array = np.empty_like(c)
np.add(c, d, out=out_array)
print(out_array)  # 输出: [11 22 33]

# 使用 where 参数
e = np.array([1, 2, 3, 4])
f = np.array([10, 20, 30, 40])
result_where = np.add(e, f, where=[True, False, True, False])
print(result_where)  # 输出: [11  0 33  0]

②subtract()

import numpy as np
np.subtract(x1, x2, out=None, where=True)

numpy.subtract()函数用于对两个数组进行逐个元素的减法运算。功能与numpy.add()类似，不过是进行减法操作。x1是被减数数组，x2是减数数组。

代码示例如下：

import numpy as np

# 基本减法
a = np.array([10, 20, 30])
b = np.array([1, 2, 3])
result = np.subtract(a, b)
print(result)  # 输出: [ 9 18 27]

③multiply()

import numpy as np
np.multiply(x1, x2, out=None, where=True)

numpy.multiply()函数用于对两个数组进行逐个元素的乘法运算。它的功能与numpy.add()和numpy.subtract()类似，不过是进行乘法操作。

代码示例如下：

import numpy as np

# 基本乘法
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
result = np.multiply(a, b)
print(result)  # 输出: [ 4 10 18]

④divide()

import numpy as np
np.divide(x1, x2, out=None, where=True)

numpy.divide()函数用于对两个数组进行逐个元素的除法运算。它的功能与以上三个算数函数类似，不过是进行除法运算。

代码示例如下：

import numpy as np

# 基本除法
a = np.array([10, 20, 30])
b = np.array([2, 4, 5])
result = np.divide(a, b)
print(result)  # 输出: [ 5.  5.  6.]

# 使用 out 参数
c = np.array([100, 200, 300])
d = np.array([10, 20, 30])
out_array = np.empty_like(c, dtype=float)
np.divide(c, d, out=out_array)
print(out_array)  # 输出: [10. 10. 10.]

# 使用 where 参数
e = np.array([10, 20, 30, 40])
f = np.array([2, 0, 5, 0])
result_where = np.divide(e, f, where=f != 0)
print(result_where)  # 输出: [ 5.  0.  6.  0.]

2.数学函数

numpy模块中提供了大量的数学函数，支持各种常见的数学运算。这些函数非常高效，能够处理大规模数组和矩阵运算。以下是人工智能领域中我们常用到的。

①sin()

import numpy as np
np.sin(x, out=None)

numpy.sin()函数用于计算输入数组x中每个元素的正弦值（输入的角度单位是弧度）。

代码示例如下：

import numpy as np

# 基本正弦值计算
angles = np.array([0, np.pi/2, np.pi])
sin_values = np.sin(angles)
print(sin_values)  # 输出: [0. 1. 0.]

# 标量输入
angle = np.pi / 4
sin_value = np.sin(angle)
print(sin_value)  # 输出: 0.7071067811865475

# 使用 out 参数
x = np.array([np.pi/6, np.pi/4, np.pi/3])
out_array = np.empty_like(x, dtype=float)
np.sin(x, out=out_array)
print(out_array)  # 输出: [0.5        0.70710678 0.8660254 ]

# 与广播机制结合
a = np.array([[0, np.pi/2], [np.pi, 3*np.pi/2]])
sin_values = np.sin(a)
print(sin_values)
# 输出:
# [[ 0.  1.]
#  [ 0. -1.]]

②cos()

import numpy as np
np.cos(x, out=None)

numpy.cos()函数用于计算输入数组x中每个元素的余弦值（输入的角度单位是弧度）。与numpy.sin()类似。

代码示例如下：

import numpy as np

# 基本余弦值计算
angles = np.array([0, np.pi/2, np.pi])
cos_values = np.cos(angles)
print(cos_values)  # 输出: [ 1.  0. -1.]

③tan()

import numpy as np
np.tan(x, out=None)

numpytan()函数用于计算输入数组x中每个元素的正切值（输入的角度单位是弧度）。与numpy.sin()类似。

代码示例如下：

import numpy as np

# 基本正切值计算
angles = np.array([0, np.pi/4, np.pi/2])
tan_values = np.tan(angles)
print(tan_values)  # 输出: [ 0.00000000e+00  1.00000000e+00  1.63312394e+16]

④around()

import numpy as np
np.around(a, decimals=0, out=None)

numpy.around()函数用于对数组中的元素进行四舍五入操作。我们可以控制保留的小数位数，默认情况下，它会四舍五入到最接近的整数。a参数为输入的要进行四舍五入的数据，包括数组、标量、元组等。decimals参数为保留的位数，默认情况为0。

代码示例如下：

import numpy as np

# 四舍五入到最接近的整数
arr = np.array([1.2, 2.5, 3.7])
rounded_arr = np.around(arr)
print(rounded_arr)  # 输出: [1. 2. 4.]

# 四舍五入到指定的小数位数
arr = np.array([1.234, 2.345, 3.456])
rounded_arr = np.around(arr, decimals=2)
print(rounded_arr)  # 输出: [1.23 2.35 3.46]

# 使用 out 参数
arr = np.array([1.234, 2.345, 3.456])
out_array = np.empty_like(arr, dtype=float)
np.around(arr, decimals=2, out=out_array)
print(out_array)  # 输出: [1.23 2.35 3.46]

# 四舍五入多维数组
arr = np.array([[1.234, 2.345], [3.456, 4.567]])
rounded_arr = np.around(arr, decimals=1)
print(rounded_arr)
# 输出:
# [[1.2 2.3]
#  [3.5 4.6]]

⑤floor()

import numpy as np
np.floor(x, out=None)

numpy.floor()函数用于计算数组中每个元素的向下取整值。

代码示例如下：

import numpy as np

# 基本向下取整操作
arr = np.array([1.2, 2.5, 3.7])
floored_arr = np.floor(arr)
print(floored_arr)  # 输出: [1. 2. 3.]

# 向下取整负数
arr = np.array([-1.2, -2.5, -3.7])
floored_arr = np.floor(arr)
print(floored_arr)  # 输出: [-2. -3. -4.]

# 使用 out 参数
arr = np.array([1.9, 2.8, 3.6])
out_array = np.empty_like(arr, dtype=float)
np.floor(arr, out=out_array)
print(out_array)  # 输出: [1. 2. 3.]

# 向下取整多维数组
arr = np.array([[1.9, 2.8], [3.6, 4.4]])
floored_arr = np.floor(arr)
print(floored_arr)
# 输出:
# [[1. 2.]
#  [3. 4.]]

⑥ceil()

import numpy as np
np.ceil(x, out=None)

numpy.ceil()函数用于计算数组中每个元素的向上取整值。

代码示例如下：

import numpy as np

# 基本向上取整操作
arr = np.array([1.2, 2.5, 3.7])
ceiled_arr = np.ceil(arr)
print(ceiled_arr)  # 输出: [2. 3. 4.]

# 向上取整负数
arr = np.array([-1.2, -2.5, -3.7])
ceiled_arr = np.ceil(arr)
print(ceiled_arr)  # 输出: [-1. -2. -3.]

# 使用 out 参数
arr = np.array([1.1, 2.2, 3.3])
out_array = np.empty_like(arr, dtype=float)
np.ceil(arr, out=out_array)
print(out_array)  # 输出: [2. 3. 4.]

# 向上取整多维数组
arr = np.array([[1.1, 2.6], [3.4, 4.8]])
ceiled_arr = np.ceil(arr)
print(ceiled_arr)
# 输出:
# [[2. 3.]
#  [4. 5.]]