python的numpy中有哪些常用的的函数

# Python的NumPy中有哪些常用的函数 ## 目录 1. [NumPy简介](#numpy简介) 2. [数组创建函数](#数组创建函数) 3. [数组操作函数](#数组操作函数) 4. [数学运算函数](#数学运算函数) 5. [统计函数](#统计函数) 6. [线性代数函数](#线性代数函数) 7. [随机数生成函数](#随机数生成函数) 8. [文件输入输出函数](#文件输入输出函数) 9. [其他实用函数](#其他实用函数) 10. [总结](#总结) ## NumPy简介 NumPy（Numerical Python）是Python科学计算的基础库，提供了高性能的多维数组对象和用于操作这些数组的工具。它是数据科学、机器学习、科学计算等领域的核心库之一。 NumPy的主要特点包括： - 强大的N维数组对象ndarray - 广播功能函数 - 整合C/C++/Fortran代码的工具 - 线性代数、傅里叶变换、随机数生成等功能 ```python import numpy as np # 常规导入方式 

数组创建函数

1. 基础创建函数

函数	描述	示例
np.array()	从列表或元组创建数组	np.array([1,2,3])
np.zeros()	创建全零数组	np.zeros((3,3))
np.ones()	创建全1数组	np.ones((2,2))
np.empty()	创建未初始化数组	np.empty((3,2))
np.arange()	类似range的数组	np.arange(0,10,2)
np.linspace()	等间隔数组	np.linspace(0,1,5)
np.eye()	单位矩阵	np.eye(3)
np.diag()	对角矩阵	np.diag([1,2,3])

2. 特殊数组创建

# 从已有数据创建 np.copy(a) # 数组副本 np.fromfunction(func, shape) # 通过函数创建 # 网格生成 np.mgrid[0:5,0:5] # 密集网格 np.ogrid[0:5,0:5] # 开放网格 

数组操作函数

1. 形状操作

函数	描述	示例
reshape()	改变数组形状	arr.reshape(3,4)
resize()	改变数组形状和大小	np.resize(arr, (5,5))
flatten()	展平为一维数组	arr.flatten()
ravel()	返回视图的展平数组	arr.ravel()
transpose()	转置数组	arr.transpose()
swapaxes()	交换两个轴	arr.swapaxes(0,1)

2. 数组连接与分割

# 连接 np.concatenate((a1,a2), axis=0) np.vstack((a1,a2)) # 垂直堆叠 np.hstack((a1,a2)) # 水平堆叠 np.column_stack((a1,a2)) # 按列堆叠 # 分割 np.split(arr, indices_or_sections) np.vsplit(arr, 3) # 垂直分割 np.hsplit(arr, 2) # 水平分割 

3. 数组增删

np.append(arr, values, axis=None) np.insert(arr, obj, values, axis=None) np.delete(arr, obj, axis=None) np.unique(arr) # 去重 

数学运算函数

1. 基础数学运算

函数	描述	示例
add()	加法	np.add(a,b)
subtract()	减法	np.subtract(a,b)
multiply()	乘法	np.multiply(a,b)
divide()	除法	np.divide(a,b)
power()	幂运算	np.power(a,2)
mod()	取模	np.mod(a,3)
abs()	绝对值	np.abs(a)

2. 三角函数

np.sin(arr) # 正弦 np.cos(arr) # 余弦 np.tan(arr) # 正切 np.arcsin(arr) # 反正弦 np.arccos(arr) # 反余弦 np.arctan(arr) # 反正切 np.hypot(x1, x2) # 欧几里得范数 

3. 指数对数函数

np.exp(arr) # e的幂次 np.expm1(arr) # exp(x)-1 np.log(arr) # 自然对数 np.log10(arr) # 10为底对数 np.log2(arr) # 2为底对数 np.log1p(arr) # log(1+x) 

4. 舍入函数

np.around(arr, decimals=0) # 四舍五入 np.floor(arr) # 向下取整 np.ceil(arr) # 向上取整 np.trunc(arr) # 截断小数部分 np.rint(arr) # 四舍五入到整数 

统计函数

1. 基础统计

函数	描述	示例
amin()	沿轴最小值	np.amin(arr, axis=0)
amax()	沿轴最大值	np.amax(arr, axis=1)
ptp()	范围(最大值-最小值)	np.ptp(arr)
percentile()	百分位数	np.percentile(arr, 75)
median()	中位数	np.median(arr)
mean()	算术平均数	np.mean(arr)
average()	加权平均数	np.average(arr, weights=w)

2. 方差与标准差

np.var(arr) # 方差 np.std(arr) # 标准差 np.cov(m, y=None) # 协方差矩阵 np.corrcoef(x, y=None) # 相关系数 

3. 直方图统计

np.histogram(a, bins=10) # 直方图 np.bincount(x, weights=None) # 整型数组的计数 np.digitize(x, bins) # 返回每个值所属的bin索引 

线性代数函数

1. 矩阵操作

函数	描述	示例
dot()	点积	np.dot(a,b)
vdot()	向量点积	np.vdot(a,b)
inner()	内积	np.inner(a,b)
outer()	外积	np.outer(a,b)
matmul()	矩阵乘法	np.matmul(a,b)
tensordot()	张量点积	np.tensordot(a,b)

2. 矩阵分解与求逆

np.linalg.inv(a) # 矩阵求逆 np.linalg.pinv(a) # 伪逆矩阵 np.linalg.det(a) # 行列式 np.linalg.eig(a) # 特征值和特征向量 np.linalg.svd(a) # 奇异值分解 np.linalg.qr(a) # QR分解 np.linalg.cholesky(a) # Cholesky分解 

3. 线性方程组

np.linalg.solve(a, b) # 解线性方程组 np.linalg.lstsq(a, b) # 最小二乘解 np.linalg.norm(x) # 范数计算 

随机数生成函数

1. 基础随机数

函数	描述	示例
rand()	[0,1)均匀分布	np.random.rand(3,2)
randn()	标准正态分布	np.random.randn(100)
randint()	随机整数	np.random.randint(0,10,size=5)
random()	[0,1)随机浮点数	np.random.random(10)
choice()	随机选择	np.random.choice(a, size=3)
shuffle()	随机打乱	np.random.shuffle(arr)
permutation()	随机排列	np.random.permutation(10)

2. 概率分布

# 连续分布 np.random.uniform(low=0.0, high=1.0) # 均匀分布 np.random.normal(loc=0.0, scale=1.0) # 正态分布 np.random.exponential(scale=1.0) # 指数分布 # 离散分布 np.random.binomial(n=10, p=0.5) # 二项分布 np.random.poisson(lam=1.0) # 泊松分布 

3. 随机种子

np.random.seed(42) # 设置随机种子 np.random.get_state() # 获取随机状态 np.random.set_state(state) # 设置随机状态 

文件输入输出函数

1. 文本文件

函数	描述	示例
loadtxt()	从文本加载	np.loadtxt('data.txt')
savetxt()	保存到文本	np.savetxt('out.txt', arr)
genfromtxt()	从文本生成数组	np.genfromtxt('data.csv', delimiter=',')

2. 二进制文件

np.save('array.npy', arr) # 保存为.npy np.load('array.npy') # 加载.npy文件 np.savez('arrays.npz', a=arr1, b=arr2) # 保存多个数组 np.savez_compressed('arrays.npz', a=arr1) # 压缩保存 

3. 内存映射

np.memmap(filename, dtype='float32', mode='r', shape=(100,100)) 

其他实用函数

1. 索引与切片

np.where(condition, [x, y]) # 条件选择 np.take(a, indices) # 按索引获取元素 np.select(condlist, choicelist) # 多条件选择 np.nonzero(a) # 非零元素索引 

2. 逻辑运算

np.logical_and(x1, x2) np.logical_or(x1, x2) np.logical_not(x) np.logical_xor(x1, x2) np.all(a) # 所有元素为True np.any(a) # 任一元素为True 

3. 数组比较

np.equal(a, b) # == np.not_equal(a, b) # != np.greater(a, b) # > np.greater_equal(a, b) # >= np.less(a, b) # < np.less_equal(a, b) # <= 

4. 集合操作

np.intersect1d(ar1, ar2) # 交集 np.union1d(ar1, ar2) # 并集 np.setdiff1d(ar1, ar2) # 差集 np.setxor1d(ar1, ar2) # 对称差集 np.in1d(ar1, ar2) # 测试成员 

5. 广播与矢量化

np.broadcast(arr1, arr2) # 广播对象 np.vectorize(pyfunc) # 矢量化函数 

总结

NumPy提供了丰富的函数库，涵盖了从数组创建、数学运算到线性代数和随机数生成的各个方面。掌握这些常用函数能够显著提高科学计算和数据分析的效率。本文介绍了约150个常用NumPy函数，但NumPy的功能远不止于此。建议读者在实际应用中结合官方文档深入探索更多高级功能。

学习建议

1. 从基础数组操作开始练习
2. 熟悉广播机制和矢量化运算
3. 掌握线性代数和统计相关函数
4. 在实际项目中应用这些函数
5. 查阅官方文档获取最新功能

NumPy作为Python科学计算生态系统的基石，其重要性不言而喻。希望本文能帮助您更好地理解和使用NumPy的强大功能。

# 示例：综合应用 arr = np.random.randn(100, 100) # 创建100x100正态分布数组 arr = arr * 10 + 5 # 线性变换 mean = np.mean(arr) # 计算均值 std = np.std(arr) # 计算标准差 normalized = (arr - mean) / std # 标准化 eigenvalues = np.linalg.eig(normalized) # 特征值分解 

注意：本文基于NumPy 1.21+版本，部分函数在早期版本中可能不可用或行为不同。 “`