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 - 逐元素数组比较

NumPy 中的逐元素比较

NumPy 中的逐元素比较功能允许您将一个数组的每个元素与另一个数组的相应元素或标量值进行比较。

比较会在整个数组上执行,结果是一个形状相同的新数组,其中每个元素都是一个布尔值(True 或 False),表示比较的结果。

基本逐元素比较运算

NumPy 支持几种可以逐元素执行的基本比较运算。这些包括 -

  • 相等 (==): 检查两个数组(或一个数组和一个标量)中的元素是否相等。
  • 不等 (!=): 检查元素是否不相等。
  • 大于 (>): 检查第一个数组中的元素是否大于第二个数组或标量中的相应元素。
  • 小于 (<): 检查第一个数组中的元素是否小于第二个数组或标量中的相应元素。
  • 大于或等于 (>=): 检查元素是否大于或等于第二个数组或标量中的相应元素。
  • 小于或等于 (<=): 检查元素是否小于或与第二个数组或标量中的相应元素相等。

示例

以下示例中,每个比较操作都在"array1"和"array2"的相应元素之间执行 -

import numpy as np

# 创建两个数组进行比较
array1 = np.array([10, 20, 30, 40, 50])
array2 = np.array([15, 20, 25, 40, 55])

# 执行逐元素比较
equality = array1 == array2
inequality = array1 != array2
greater_than = array1 > array2
less_than = array1 < array2
greater_equal = array1 >= array2
less_equal = array1 <= array2

# 显示结果
print("等于:", equality)
print("不等于:", inequality)
print("大于:", greater_than)
print("小于:", less_than)
print("大于或等于:", greater_equal)
print("小于或等于:", less_equal)

结果是一个布尔数组,表示每次比较的结果,如下所示 -

等于:[False True False True False]
不等于:[True False True False True]
大于:[False False True False False]
小于:[True False False False True]
大于或等于:[False True True True False]
小于或等于到:[ True True False True True]

使用标量进行逐元素比较

您还可以将整个数组与单个标量值进行比较。标量值与数组的每个元素进行比较,结果是一个相同形状的布尔数组。

示例

在此示例中,将"array1"中的每个元素与"30"进行比较,结果指示每个元素是否大于"30" -

import numpy as np

# 创建两个用于比较的数组
array1 = np.array([10, 20, 30, 40, 50])

# 将数组元素与标量值进行比较
scalar_value = 30
comparison_result = array1 > scalar_value

print("数组元素大于 30:", comparison_result)

这将产生以下结果 -

数组元素大于 30: [False False False True True]

链式多重比较

在 NumPy 中,链式多重比较涉及使用逻辑运算符组合多个比较运算。例如,你可能想要检查数组元素是否在特定范围内,或者是否满足多个条件。

这些运算按顺序执行,结果是一个布尔数组,其中每个元素表示组合条件是否满足。

在 NumPy 中,你可以使用逻辑运算符(例如 &(与)、|(或)和 ~(非))进行链式比较。链式比较时,请确保每个比较运算都括在括号中,以保持运算顺序正确。以下是链式比较的通用语法:

(条件 1) & (条件 2) & ... & (conditionN)

示例:链式比较

在下面的示例中,我们检查数组的元素是否在特定范围内并满足附加条件 -

import numpy as np

# 创建数组
array = np.array([5, 10, 15, 20, 25, 30])

# 链式多重比较
result = (array > 10) & (array < 25) & (array % 5 == 0)

# 显示结果
print("数组:", array)
print("链式比较结果:", result)

以下是上述代码的输出 -

数组:[ 5 10 15 20 25 30]
链式比较结果:[False False True True False False]

示例:使用标量值进行链式比较

此处,比较检查数组中的每个元素是否介于"3"和"7"之间(含边界值)-

import numpy as np

# 创建数组
array = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])

# 使用标量值进行链式比较
result = (array >= 3) & (array <= 7)

# 显示结果
print("Array:", array)
print("链式标量比较结果:", result)

输出结果如下 -

数组:[1 2 3 4 5 6 7 8 9]
链式标量比较结果:[False False True True True True True True False False]

使用 where() 函数进行条件选择

np.where() 函数使用逐元素比较的结果,从两个数组(或值)中选择性地选择一个元素。这对于根据条件过滤或替换元素特别有用。

示例

在此示例中,数组"array1"中大于"25"的元素将被保留,而所有其他元素将被替换为"0" -

import numpy as np

# 创建数组
array1 = np.array([10, 20, 30, 40, 50])

# 使用 np.where 根据条件替换元素
replaced_array = np.where(array1 > 25, array1, 0)

print("替换后的数组:", switched_array)                               

执行上述代码后,我们得到以下输出 -

替换后的数组:[ 0 0 30 40 50]

通过比较查找最大和最小元素

逐元素比较可以与 np.maximum()np.minimum() 等函数结合使用,以查找两个数组之间的最大值或最小值。

示例

在此示例中,我们使用 np.maximum() 函数和 np.minimum() 函数比较"array1"和"array2"的元素,分别返回最大值和最小值的数组 -

import numpy as np

# 创建数组
array1 = np.array([10, 20, 30, 40, 50])
array2 = np.array([15, 20, 25, 40, 55])

# 查找两个数组中的最大值和最小值
max_array = np.maximum(array1, array2)
min_array = np.minimum(array1, array2)

print("最大值:", max_array)
print("最小值:", min_array)

结果如下 -

最大值:[15 20 30 40 55]
最小值:[10 20 25 40 50]