NumPy 教程

NumPy 首页 NumPy 简介 NumPy 环境

数组

NumPy Ndarray 对象 NumPy 数据类型

创建和操作数组

NumPy 数组创建例程 NumPy 数组操作 NumPy 基于现有数据创建数组 NumPy 基于数值范围创建数组 NumPy 数组迭代 NumPy 重塑数组 NumPy 连接数组 NumPy 堆叠数组 NumPy 拆分数组 NumPy 展平数组 NumPy 转置数组

索引与切片

NumPy 索引 &切片 NumPy 索引 NumPy 切片 NumPy 高级索引 NumPy 高级索引 NumPy 字段访问 NumPy 使用布尔数组切片

数组属性与操作

NumPy 数组属性 NumPy 数组形状 NumPy 数组大小 NumPy 数组步长 NumPy 数组元素大小 NumPy 广播 NumPy 算术运算 NumPy 数组加法 NumPy 数组减法 NumPy 数组乘法 NumPy 数组除法

高级数组运算

NumPy 交换数组的轴 NumPy 字节交换 NumPy 副本和视图 NumPy 逐元素数组比较 NumPy 过滤数组 NumPy 连接数组 NumPy 排序、搜索& 计数函数 NumPy 搜索数组 NumPy 数组并集 NumPy 查找唯一行 NumPy 创建日期时间数组 NumPy 二元运算符 NumPy 字符串函数 NumPy 矩阵库 NumPy 线性代数 NumPy Matplotlib NumPy 使用 Matplotlib 绘制直方图

排序和高级操作

NumPy 数组排序 NumPy 沿轴排序 NumPy 使用花式索引进行排序 NumPy 结构化数组 NumPy 创建结构化数组 NumPy 操作结构化数组 NumPy 记录数组 NumPy 加载数组 NumPy 保存数组 NumPy 将值附加到数组 NumPy 交换列数组 NumPy 将轴插入数组

处理缺失数据

NumPy 处理缺失数据 NumPy 识别缺失值 NumPy 移除缺失数据 NumPy 插补缺失值数据

性能优化

NumPy 使用数组进行性能优化

线性代数

NumPy 线性代数 NumPy 矩阵库 NumPy 矩阵加法 NumPy 矩阵减法 NumPy 矩阵乘法 NumPy 逐元素矩阵运算 NumPy 点积 NumPy 矩阵求逆 NumPy 行列式计算 NumPy 特征值 NumPy 特征向量 NumPy 奇异值分解 NumPy 求解线性方程 NumPy 矩阵范数

元素级矩阵运算

NumPy 总和 NumPy 平均值 NumPy 中位数 NumPy 最小值 NumPy 最大值

集合运算

NumPy 唯一元素 NumPy 交集 NumPy 并集 NumPy 差集

随机数生成

NumPy 随机数生成器 NumPy 排列和重排 NumPy 均匀分布 NumPy 正态分布 NumPy 二项分布 NumPy 泊松分布 NumPy 指数分布 NumPy 瑞利分布 NumPy 逻辑分布 NumPy 帕累托分布 NumPy 使用 Seaborn 可视化分布 NumPy 多项分布 NumPy 卡方分布 NumPy Zipf 分布

文件输入 &输出

NumPy 使用 NumPy 进行 I/O NumPy 从文件读取数据 NumPy 将数据写入文件 NumPy 支持的文件格式

数学函数

NumPy 数学函数 NumPy 三角函数 NumPy 指数函数 NumPy 对数函数 NumPy 双曲函数 NumPy 舍入函数

傅里叶变换

NumPy 离散傅里叶变换 (DFT) NumPy 快速傅里叶变换 (FFT) NumPy 逆傅里叶变换 NumPy 傅里叶级数和变换 NumPy 信号处理应用 NumPy 卷积

多项式

NumPy 多项式表示 NumPy 多项式运算 NumPy 求多项式的根 NumPy 求多项式的根

统计

NumPy 统计函数 NumPy 描述性统计

日期时间函数

NumPy 日期和时间基础知识 NumPy 表示日期和时间 NumPy 日期和时间运算 NumPy 使用日期时间进行索引 NumPy 时区处理 NumPy 时间序列分析 NumPy 处理时间增量 NumPy 闰秒处理 NumPy 矢量化日期时间运算

ufunc

NumPy ufunc 简介 NumPy 创建通用函数 (ufunc) NumPy 算术通用函数 (ufunc) NumPy 小数舍入 ufunc NumPy 对数通用函数(ufunc) NumPy 求和通用函数 (ufunc) NumPy 乘积通用函数 (ufunc) NumPy 差分通用函数 (ufunc) NumPy 寻找最小公倍数 (LCM) NumPy 寻找最大公约数 (GCD) NumPy 三角函数 (ufunc) NumPy 双曲线 (ufunc) NumPy 集合运算(ufunc)

实用资源

NumPy 快速指南 NumPy 备忘单


NumPy - 数组减法

NumPy 数组减法

NumPy 数组减法允许您在数组之间执行逐元素减法。此运算将一个数组的对应元素从另一个相同形状的数组中减去,从而生成一个具有相同形状的新数组,并包含减去后的值。

如果两个数组的形状不同,NumPy 会在特定条件下广播较小的数组以匹配较大数组的形状。

NumPy 中的逐元素减法

逐元素减法是 NumPy 中最基本的数组减法形式,即将两个数组的对应元素相减,从而生成一个新数组。

这种减法运算针对相同形状的数组,对两个数组中的每对元素分别执行减法运算。

示例

在下面的示例中,我们将数组 a 中的每个元素从数组 a 的对应元素中减去 -

import numpy as np

# 创建两个数组
a = np.array([5, 6, 7])
b = np.array([1, 2, 3])

# 执行逐元素减法
result = a - b
print(result)

以下是得到的输出 -

[4 4 4]

从 NumPy 数组中减去标量

从数组中减去标量(单个值)时,标量会被广播以匹配数组的形状。这意味着标量实际上被当作与原始数组形状相同的数组来处理,所有元素都等于标量值。

广播解释了 NumPy 如何管理涉及不同形状数组的算术运算。当计算中使用不同形状的数组时,NumPy 会根据广播规则自动调整它们的形状以使其相互兼容。

示例

在此示例中,我们从数组"a"的每个元素中减去标量"10"-

import numpy as np

# 创建数组
a = np.array([5, 6, 7])

# 减去标量
result = a - 2
print(result)

这将产生以下结果-

[3 4 5]

对不同形状的 NumPy 数组进行减法

NumPy 中的广播允许通过调整维度使不同形状的数组彼此匹配,从而实现减法运算。

NumPy 通过从最右侧比较并向左移动来对齐维度以进行广播。如果维度相等,或者一个维度为 1,则维度兼容,然后扩展该维度以匹配另一个维度。

当维度不直接对齐时,NumPy 会根据需要沿着不匹配的维度扩展较小的数组,以适应较大数组的形状。

示例

在下面的示例中,数组"b"被广播以匹配数组"a"的形状,然后执行逐元素减法 -

import numpy as np

# 创建不同形状的数组
a = np.array([[5, 6, 7], [8, 9, 10]])
b = np.array([1, 2, 3])

# 使用广播对数组进行减法运算
result = a - b
print(result)

以下是上述代码的输出 -

[[4 4 4]
[7 7 7]]

使用广播对多维数组进行减法运算

在 NumPy 中,广播允许在不同形状的多维数组之间进行算术运算(例如减法),方法是自动扩展较小数组的维度以匹配较大数组的形状。

示例

在下面的示例中,我们广播一维数组数组"b"的维度与二维数组"a"的维度一致 -

import numpy as np

# 创建多维数组
a = np.array([[10, 20, 30], [40, 50, 60]])
b = np.array([5, 15, 25])

# 使用广播对多维数组进行减法
result = a - b[np.newaxis, :]
print(result)

输出结果如下 -

[[ 5 15 25]
[25 35 45]]

使用广播函数进行减法

广播NumPy 不仅允许直接进行逐元素算术运算,而且还支持将函数应用于不同形状的数组。通过广播,您可以对不同形状的数组使用各种数学函数。

示例

在此示例中,我们从数组"a"的每个元素中减去标量"5",然后逐个元素应用"sine"函数 -

import numpy as np

# 创建数组
a = np.array([10, 20, 30])

# 使用广播应用函数
result = np.sin(a - 5)
print(result)

执行上述代码后,我们得到以下输出 -

[-0.95892427 -0.7568025 0.14112001]

减去不兼容的数组

如果我们尝试在 NumPy 中减去不兼容的数组,操作将失败并引发 ValueError。 NumPy 使用广播来处理不同形状数组之间的运算,但这只有在形状根据特定规则兼容的情况下才可行。

示例

在本例中,数组"a"和"b"的形状不兼容广播,导致错误 -

import numpy as np

# 创建形状不兼容的数组
a = np.array([10, 20, 30])
b = np.array([[1, 2], [3, 4]])

# 对不兼容的数组进行减法运算
result = a - b
print(result)

生成的结果如下 -

Traceback (most recent call last):File "/home/cg/root/66a1de2fae52f/main.py", line 8, in <module>result = a - bValueError: operands could not be broadcast together with shapes (3,) (2,2)