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 - 舍入函数

NumPy 舍入函数

NumPy 中的舍入函数用于将数组中的值四舍五入到指定的小数位数。这些函数在各种场景中都很有用,例如当您需要以更清晰的格式呈现值,或者在执行需要精度控制的数值计算时。

NumPy 提供了几个舍入函数,包括 round()floor()ceil()trunc(),每个函数在舍入值时都有不同的用途。

使用 round() 函数进行舍入

numpy.round() 函数将输入数组中的每个元素四舍五入到指定的小数位数。如果没有提供小数位数,则四舍五入为最接近的整数。

round(x, decimals) = 将值四舍五入为小数位数

示例:四舍五入值

在以下示例中,我们使用 NumPy 的 round() 函数将数组中的值四舍五入为小数点后 2 位 -

import numpy as np

# 定义一个值数组
values = np.array([3.14159, 2.71828, 1.61803, 0.57721])

# 将每个元素四舍五入为小数点后 2 位
rounded_values = np.round(values, 2)

print("四舍五入后的值:", rounded_values)

上述代码的结果为 −

四舍五入后的值:[3.14 2.72 1.62 0.58]

使用 floor() 函数进行向下取整

numpy.floor() 函数将输入数组中的每个元素向下舍入为小于或等于该元素的最接近整数。此函数始终向下舍入,无论小数部分如何。

floor(x) = 小于或等于 x 的最大整数

示例:向下取整值

在以下示例中,我们使用 NumPy 的 floor() 函数对数组中的值进行向下取整 -

import numpy as np

# 定义一个值数组
values = np.array([3.14159, 2.71828, 1.61803, 0.57721])

# 将每个元素向下舍入到最接近的整数
floored_values = np.floor(values)

print("向下取整值:", floored_values)

以下是获得的输出 −

向下取整值:[3. 2. 1. 0.]

使用 ceil() 函数进行向上取整

numpy.ceil() 函数将输入数组中的每个元素向上舍入为大于或等于该元素的最接近的整数。此函数始终向上舍入,无论小数部分如何。

ceil(x) = 大于或等于 x 的最小整数

示例:取上限值

在以下示例中,我们使用 NumPy 的 ceil() 函数对数组中的值进行向上舍入 -

import numpy as np

# 定义一个值数组
values = np.array([3.14159, 2.71828, 1.61803, 0.57721])

# 将每个元素向上舍入到最接近的整数
ceiled_values = np.ceil(values)

print("上限值:", ceiled_values)

这将产生以下结果 -

上限值:[4. 3. 2. 1.]

使用 trunc() 函数截断

numpy.trunc() 函数通过删除小数部分来截断输入数组中的每个元素。它本质上是将值向零舍入,保留整数部分。

trunc(x) = x 的整数部分,删除小数部分

示例:截断值

在以下示例中,我们使用 NumPy 的 trunc() 函数截断一个值数组 -

import numpy as np

# 定义一个值数组
values = np.array([3.14159, 2.71828, 1.61803, 0.57721])

# 截断每个元素
truncated_values = np.trunc(values)

print("截断的值:", truncated_values)

以下是上述代码的输出 -

截断的值:[3. 2. 1. 0.]

四舍五入到特定倍数

numpy.around() 函数用于将数组中的元素四舍五入到最接近的指定倍数。这与标准舍入不同,因为它允许自定义舍入基数。

around(x, decimals, out) = 四舍五入到最接近的小数倍数

示例:四舍五入到倍数

在以下示例中,我们使用 NumPy 的 around() 函数将数组中的值四舍五入到最接近的 0.5 的倍数 -

import numpy as np

# 定义一个值数组
values = np.array([3.14159, 2.71828, 1.61803, 0.57721])

# 将每个元素四舍五入到最接近的 0.5 的倍数
rounded_multiple_values = np.around(values * 2) / 2

print("四舍五入到最接近的 0.5 的倍数:", rounded_multiple_values)

输出结果如下 -

四舍五入到最接近的 0.5 的倍数:[3.   2.5 1.5 0.5]