科学计算NumPy之Ndarray运算函数操作示例汇总

import numpy as np
a = np.array([1, 2, 3])
b = np.array([2, 2, 2])
print(a > b)  # 输出：[False False  True]
print(a < b)  # 输出：[ True False False]
print(a == b)  # 输出：[False  True False]
print(a != b)  # 输出：[ True False  True]
print(a >= b)  # 输出：[False  True  True]
print(a <= b)  # 输出：[ True  True False]

import numpy as np
# 生成1-20范围 4行3列的二维数组
a = np.random.randint(1, 20, (4, 3))
print(a)
print()
# 取出前2行的前2列用于逻辑判断
b = a[:2, 0:2]
# 逻辑判断, 如果大于10就标记为True 否则为False
print(b > 10)
print()
# BOOL赋值, 将满足条件的设置为指定的值-布尔索引
b[b > 10] = 1
print(b)

[[ 5 16  5]
 [12  9 13]
 [ 8 18 11]
 [ 4 19 17]]
[[False  True]
 [ True False]]
[[5 1]
 [1 9]]

import numpy as np
a = np.array([True, False, True])
b = np.array([False, True, True])
c = a & b  # 对 a 和 b 进行与运算，返回一个布尔数组
print(c) # [False False  True]

import numpy as np
a = np.array([True, False, True])
b = np.array([False, True, True])
c = a | b 
print(c) # [ True  True  True]

import numpy as np
a = np.array([True, False, True])
b = np.array([False, True, True])
c = a ^ b 
print(c) # [ True  True False]

import numpy as np
a = np.array([True, False, True])
b = np.array([False, True, True])
c = ~a
print(c)  # False  True False]
c = ~b
print(c) # [ True False False] 

import numpy as np
a = np.array([True, True, False, False])
b = np.array([True, False, True, False])
c = np.logical_and(a, b)
print(c) #  True False False False]
# 大于0.5并且小于3的，换为1，否则为0
c = np.array([1, 2, 3, 4, 5])
d = np.logical_and(c > 0.5, c < 3)
print(d) # [ True  True False False False]
print(np.where(d, 1, 0)) # [1 1 0 0 0]

import numpy as np
a = np.array([True, True, False, False])
b = np.array([True, False, True, False])
c = np.logical_or(a, b)
print(c) # [ True  True  True False]
# 大于0.5并且小于3的，换为1，否则为0
c = np.array([1, 2, 3, 4, 5])
d = np.logical_or(c > 0.5, c < 3)
print(d) # [ True  True  True  True  True]
print(np.where(d, 1, 0)) # [1 1 1 1 1]

import numpy as np
a = np.array([True, False, True])
print(np.logical_not(a))# [False  True False]

import numpy as np
a = np.array([True, False, True])
b = np.array([False, True, True])
print(np.logical_xor(a, b)) # [ True  True False]

import numpy as np
a = np.array([1, 2, 3, 4])
b = np.array([0, 2, 3, 4])
print(np.all(a))   # True，因为所有元素都不为0
print(np.all(b))   # False，因为第一个元素为0
c = np.array([[1, 2, 3], [4, 5, 6]])
print(np.all(c))     # True，因为所有元素都不为0
# axis=0：沿着列方向测试所有元素是否都为True
print(np.all(c, axis=0))   # [True True False]
# axis=1：沿着行方向测试所有元素是否都为True
print(np.all(c, axis=1))   # [True  False]
d = np.array([True, False, True])
print(np.all(d))  # 输出 False

import numpy as np
a = np.array([0, 1, 2])
print(np.any(a))  # 输出 True
b = np.array([False, False, False])
print(np.any(b))  # 输出 False
c = np.array([[True, False], [False, False]])
print(np.any(c))  # 输出 True
d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(d[0:2, :2]) # [[1 2]  [4 5]]
print(np.any(d[0:2, :2] > 5 ))

import numpy as np
a = np.array([1, 2, np.nan, 4])
print(np.isnan(a))     # [False False  True False]

import numpy as np
b = np.array([1, 2, np.inf, -np.inf])
print(np.isinf(b))     # [False False  True  True]

import numpy as np
c = np.array([1, 2, np.nan, np.inf, -np.inf])
print(np.isfinite(c))  # [ True  True False False False]

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[1.01, 2.01], [3.01, 4.01]])
print(np.allclose(a, b))     # False
print(np.allclose(a, b, rtol=0.02))  # True

import numpy as np
a = np.array([1, 2, 3])
b = np.array([1, 2, 3])
print(np.array_equal(a, b))   # True
c = np.array([1, 2, 3])
d = np.array([1, 2, 4])
print(np.array_equal(c, d))   # False

import numpy as np
a = np.array([1, 2, 3])
b = np.array([2, 2, 2])
print(np.greater(a, b))      # [False False  True]

import numpy as np
a = np.array([1, 2, 3])
b = np.array([2, 2, 2])
print(np.less(a, b))         # [ True False False]

import numpy as np
a = np.array([1, 2, 3])
b = np.array([1, 3, 3])
print(np.equal(a, b))        # [ True False  True]

numpy.where(condition, x, y)

import numpy as np
a = np.array([1, 2, 3, 4, 5])
b = np.array([10, 20, 30, 40, 50])
# 返回满足条件的元素的索引
indices = np.where(a > 3)
print(indices) # (array([3, 4], dtype=int64),)
# 返回满足条件的元素的值
values = np.where(a > 3, a, b)
# 根据条件 (a > 3) 可以得到一个布尔类型的数组 [False False True True True]。对于这个数组中每个元素，如果是 True 则返回 a 数组中对应的元素，否则返回 b 数组中对应的元素。所以最终结果是 [10 20 30 4 5]。
print(values) # [10 20 30  4  5]

numpy.choose(a, choices, out=None, mode='raise')

a：表示从中选择值的整数数组，每个值必须是非负的且小于 len(choices)
choices：表示备选值的序列。可以是列表、元组或数组等对象，且每个对象的形状必须相同
out：可选参数，表示输出数组
mode：表示边界处理方式，默认为 'raise'（抛出异常），还可以设置为 'wrap'（循环）或 'clip'（剪切）

import numpy as np
# 定义选择数组a和备选值数组choices 
a = np.array([0, 1, 2, 2])
choices = (10, 11, 12, 13)
# 使用 choose 函数进行选择
# 从 choices 中根据 a 中的索引进行选择，得到最终的结果数组。
result = np.choose(a, choices)
print(result)  # 输出 [10 11 12 12]

numpy.select(condlist, choicelist, default=0)

import numpy as np
# 定义条件列表condlist和备选值列表choicelist 
condlist = [np.array([True, False]), np.array([False, True])]
choicelist = [np.array([1, 2]), np.array([3, 4])]
# 使用 select 函数进行选择
# 使用 numpy.select 函数根据条件列表从备选值列表中进行选择，得到最终的结果数组
result = np.select(condlist, choicelist)
# 第一个条件为 [True, False]，因此选择了第一个备选值 [1, 2] 中的第一个元素 1
# 第二个条件为 [False, True]，因此选择了第二个备选值 [3, 4] 中的第二个元素 4。最终得到的结果为 [1, 4]
print(result)  # 输出 [1 4]

求和（Sum）：将一组数值加起来得到总和。
平均数（Mean）：将一组数值相加后除以数量，得到平均值。
中位数（Median）：将一组数值按从小到大的顺序排列，取中间的那个数值作为中位数。
众数（Mode）：一组数值中出现次数最多的数值。
方差（Variance）：表示数据集合各项数据与其平均数之差平方的平均数。
标准差（Standard Deviation）：是方差的正平方根。
百分位数（Percentile）：将一组数值按从小到大的顺序排列，然后找出某个百分比所处的位置

numbers = [1, 2, 3, 4, 5]
total = sum(numbers)
print(total)  # 输出：15

numbers = [1, 2, 3, 4, 5]
average = sum(numbers) / len(numbers)
print(average)  # 输出：3.0

import statistics
numbers = [1, 2, 3, 4, 5]
median = statistics.median(numbers)
print(median)  # 输出：3

from collections import Counter
numbers = [1, 2, 3, 3, 4, 4, 4, 5, 5]
counter = Counter(numbers)
mode = counter.most_common(1)[0][0]
print(mode)  # 输出：4

import statistics
numbers = [1, 2, 3, 4, 5]
variance = statistics.variance(numbers)
print(variance)  # 输出：2.5

import statistics
numbers = [1, 2, 3, 4, 5]
stdev = statistics.stdev(numbers)
print(stdev)  # 输出：1.5811388300841898

import numpy as np
numbers = [1, 2, 3, 4, 5]
percentile = np.percentile(numbers, 50)
print(percentile)  # 输出：3.0

import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.add(a, b)
print(c) # [5 7 9]

import numpy as np
arr = np.array([0, np.pi/2, np.pi])
sin_arr = np.sin(arr)
print(sin_arr) # [0.0000000e+00 1.0000000e+00 1.2246468e-16]

import numpy as np
a = np.array(['Hello', 'world'])
b = np.array(['!', '?'])
c = np.char.add(a, b)
print(c) # ['Hello!' 'world?']

import numpy as np
arr = np.array([3, 8, 1, 6, 0])
sorted_indices = np.argsort(arr)
print(sorted_indices) # [4 2 0 3 1]