>백엔드 개발 >파이썬 튜토리얼 >Python에서 numpy.ufunc 함수를 사용하는 방법

Python에서 numpy.ufunc 함수를 사용하는 방법

WBOY
WBOY앞으로
2023-05-18 19:32:161793검색

1. 설명

numpy.ufunc의 기능은 무엇인가요? 답변: numpy는 배열 텐서를 대상으로 하기 때문에 numpy 함수이므로 거의 모든 함수는 ufunc입니다. Y 2. Numpy.ufunc 함수 개념

2.1 numpy.ufunc 프로필

전체 배열이 하나씩 동작하는 함수입니다. 따라서 ufunc은 일반적인 용어이고, 이런 기능이 많이 있습니다. ㅋㅋㅋ                                              범용 함수(또는 줄여서 ufunc)는 요소별로 ndarray에서 작동하는 함수로, 배열 브로드캐스팅, 유형 변환 및 기타 표준 기능을 지원합니다. Ufunc는 함수를 "벡터화"하여 고정된 수의 특정 입력을 취하고 고정된 수의 특정 출력을 생성하는 래퍼입니다. 기본 범용 함수(ufunc)에 대한 세부정보를 확인하세요.

NumPy에서 일반 함수는 numpy.ufunc 클래스의 인스턴스입니다. 많은 내장 함수가 컴파일된 C 코드로 구현됩니다. 기본 ufunc는 스칼라에서 작동하지만 기본 요소가 하위 배열(벡터, 행렬 등)이고 브로드캐스팅이 다른 차원에서 수행되는 일반 유형도 있습니다. 또한 ufunc 새 창 팩토리 함수에서 frompyfuncopen을 사용하여 사용자 정의 인스턴스를 생성할 수도 있습니다.

2.2 numpy.ufunc.nin 및 numpy.ufunc.nout

이 함수는 ufunc에 대한 해당 입력 매개변수의 수를 아래와 같이 ufun 함수에 해당하는 입력 매개변수의 수로 표현합니다. numpy.ufunc类的实例 。 许多内置函数都是在编译的C代码中实现的。 基本的ufuncs对标量进行操作,但也有一种通用类型,基本元素是子数组(向量,矩阵等), 广播是在其他维度上完成的。也可以ufunc使用frompyfuncopen in new window工厂函数生成自定义实例。

2.2 numpy.ufunc.nin和numpy.ufunc.nout

        该函数表述出对应ufun函数的输入参数数量,如下列ufunc时对应的输入参数个数。

np.add.nin
2
np.multiply.nin
2
np.power.nin
2
np.exp.nin
2

         该函数表述出对应ufun函数的输出参数数量,如下列ufunc时对应的输入参数个数。

np.add.nout
1
np.multiply.nout
1
np.power.nout
1
np.exp.nout
1

2.3 numpy.ufunc.nargs

numpy.ufunc对应参数的个数,

np.add.nargs
3
np.multiply.nargs
3
np.power.nargs
3
np.exp.nargs
2

 如np.add函数有三个参数,两个输入,一个输出,如下:

a = np.array([2,4,5,6])
b = np.array([2,2,3,3])
c = np.zeros((4,))
np.add(  a,b,c )
print( c )

2.4  numpy.ufunc.ntypes

        表明一个ufunc的输入数据类型格式:ufunc 可以操作的数字 NumPy 类型的数量——总共有 18 种。

np.add.ntypes
18
np.multiply.ntypes
18
np.power.ntypes
17
np.exp.ntypes
7
np.remainder.ntypes
14

 2.5  numpy.ufunc.type

np.add.types
['??->?', 'bb->b', 'BB->B', 'hh->h', 'HH->H', 'ii->i', 'II->I', 'll->l',
'LL->L', 'qq->q', 'QQ->Q', 'ff->f', 'dd->d', 'gg->g', 'FF->F', 'DD->D',
'GG->G', 'OO->O']
np.multiply.types
['??->?', 'bb->b', 'BB->B', 'hh->h', 'HH->H', 'ii->i', 'II->I', 'll->l',
'LL->L', 'qq->q', 'QQ->Q', 'ff->f', 'dd->d', 'gg->g', 'FF->F', 'DD->D',
'GG->G', 'OO->O']
np.power.types
['bb->b', 'BB->B', 'hh->h', 'HH->H', 'ii->i', 'II->I', 'll->l', 'LL->L',
'qq->q', 'QQ->Q', 'ff->f', 'dd->d', 'gg->g', 'FF->F', 'DD->D', 'GG->G',
'OO->O']
np.exp.types
['f->f', 'd->d', 'g->g', 'F->F', 'D->D', 'G->G', 'O->O']
np.remainder.types
['bb->b', 'BB->B', 'hh->h', 'HH->H', 'ii->i', 'II->I', 'll->l', 'LL->L',
'qq->q', 'QQ->Q', 'ff->f', 'dd->d', 'gg->g', 'OO->O']

2.6 维度ndim和shape

        表明维度的参数有两个,array.ndim  和 array.shape,其中ndim是指张量共几个维度,shape是指每个维度下的向量长度。比如下例:

x = np.array([1, 2, 3])
print(x.ndim)
print(x.shape)
 
y = np.zeros((2, 3, 4))
print(y.ndim)
print(y.shape)

 结果:

1
(3,)
3
(2, 3, 4)

三、ufunc的广播特性

        每个通函数接受数组输入并通过在输入上逐元素地执行核心功能来生成数组输出(其中元素通常是标量,但可以是用于广义ufunc的向量或更高阶子数组)。按照标准广播规则进行操作,以确保即使输入不具有完全相同的形状,仍能有效进行操作。 广播可以通过四个规则来理解:

  1. 所有输入数组都ndimopen in new window小于最大的输入数组,ndimopen in new window其形状前面有1个。

  2. 输出形状的每个维度的大小是该维度中所有输入大小的最大值。

  3. 如果输入在特定维度中的大小与该维度中的输出大小匹配,或者其值正好为1,则可以在计算中使用该输入。

  4. 当形状尺寸为1时,该维度中的第一个数据条目将被用于所有沿该维度的计算。换句话说,ufuncopen in new window的步进机械 将不会沿着该维度步进(对于该维度,步幅将为0)。

        整个NumPy使用广播来决定如何处理不同形状的数组; 例如,所有算术运算(+, -*之间,...)ndarraysopen in new window的数组操作之前广播。

        如果上述规则产生有效结果,则将一组数组称为“可广播”到相同的形状, 即 满足下列条件之一:

  • 数组都具有完全相同的形状。

  • 数组都具有相同的维数,每个维度的长度是公共长度或1。

  • 尺寸太小的数组可以使其形状前置为长度为1的尺寸以满足属性2。

        如果a.shape是 (5,1),b.shape是 (1,6),c.shape是 (6,)并且d.shape

a = np.array([2,4,5,6])
b = np.array([2,2,3,3])
c = np.zeros((4,))
np.add(  a,b,c )
print( c )

이 함수는 ufun 함수에 해당하는 출력 매개변수의 개수, 예를 들어 다음 ufunc에 대한 입력 매개변수의 개수를 표현합니다.
    a = np.arange(3)
    b = np.arange(3)[:, np.newaxis]
     
    print(a)
    print(b)
  • 2.3 numpy.ufunc.nargs

    numpy.ufunc는 매개변수 개수
  • a = np.arange(3)
    b = np.arange(3)[:, np.newaxis]
     
    print(a)
    print(b)
     
    s = a + b
    print(s)
  • 에 해당합니다. 예를 들어 np.add 함수에는 다음과 같이 3개의 매개변수, 2개의 입력, 1개의 출력이 있습니다.

    np.add.accumulate([2, 3, 5])
    array([ 2,  5, 10])
    np.multiply.accumulate([2, 3, 5])
    array([ 2,  6, 30])

    2.4 numpy .ufunc.ntypes 🎜🎜                                                                                                          ufunc의 입력 데이터 유형 형식, 즉 ufunc가 작동할 수 있는 숫자 NumPy 유형의 수(총 18개)를 나타냅니다. 🎜
    np.add.accumulate(I, 0)
    array([[1.,  0.],
           [1.,  1.]])
    np.add.accumulate(I) # no axis specified = axis zero
    array([[1.,  0.],
           [1.,  1.]])
    🎜 2.5 numpy.ufunc.type🎜
    a = np.array([1, 2, 3, 4])
    np.negative.at(a, [0, 1])
    print( a )
    array([-1, -2,  3,  4])
    🎜2.6 차원 ndim 및 모양🎜🎜 차원을 나타내는 두 개의 매개변수 array.ndim과 array.shape가 있습니다. 여기서 ndim은 텐서의 총 차원 수와 모양을 나타냅니다. 각 차원의 벡터 길이를 나타냅니다. 예를 들어 다음 예는 다음과 같습니다. 🎜
    a = np.array([1, 2, 3, 4])
    np.add.at(a, [0, 1, 2, 2], 1)
    print( a )
    array([2, 3, 5, 4])
    🎜 결과: 🎜
    🎜1
    (3,)
    3
    (2, 3, 4)🎜
    🎜3. ufunc 기능 브로드캐스팅 函 각 일반 함수는 배열 입력을 받아들이고 입력에 대한 핵심 기능을 수행하여 배열 출력을 생성합니다(여기서 요소는 일반적으로 스칼라이지만 더 넓은 UFUNC의 경우 벡터 이상의 하위 배열일 수 있음). 입력의 모양이 정확히 동일하지 않더라도 작업이 여전히 효율적으로 작동하도록 표준 방송 규칙을 따르세요. 방송은 네 가지 규칙으로 이해될 수 있습니다: 🎜
      🎜🎜모든 입력 배열은 모양 앞에 1이 붙는 가장 큰 입력 배열인 ndimopen in new window보다 작습니다. 🎜🎜🎜🎜 출력 모양의 각 차원 크기는 해당 차원의 모든 입력 크기 중 최대값입니다. 🎜🎜🎜🎜특정 차원의 입력 크기가 해당 차원의 출력 크기와 일치하거나 해당 값이 정확히 1인 경우 입력을 계산에 사용할 수 있습니다. 🎜🎜🎜🎜모양 차원이 1이면 해당 차원의 첫 번째 데이터 항목이 해당 차원에 따른 모든 계산에 사용됩니다. 즉, ufuncopen in new window의 스테핑 머신은 해당 차원을 따라 이동하지 않습니다(해당 차원의 스트라이드는 0이 됩니다). 🎜🎜
    🎜 브로드캐스팅은 NumPy 전체에서 모든 산술 연산(+, -, )과 같은 다양한 모양의 배열을 처리하는 방법을 결정하는 데 사용됩니다. * code>, ...) ndarray는 새 창에서 배열 작업 전에 브로드캐스트됩니다. 🎜🎜          위의 규칙이 유효한 결과를 생성하는 경우, 즉 다음 조건 중 하나가 충족되면 배열 세트가 동일한 모양으로 "브로드캐스팅 가능"하다고 합니다. 🎜🎜🎜🎜배열은 모두 정확히 동일한 모양을 갖습니다. 🎜🎜🎜🎜배열은 모두 동일한 차원 수를 가지며, 각 차원의 길이는 공통 길이 또는 1입니다. 🎜🎜🎜🎜차원이 너무 작은 배열은 속성 2를 충족하기 위해 길이 1의 차원 앞에 모양을 추가할 수 있습니다. 🎜🎜
🎜 a.shape가 (5,1)이면 b.shape는 (1,6), c.shape입니다. code> code>는 (6,)이고 d.shape는 ()이므로 d가 스칼라인 경우 a , b , c 및 d는 모두 차원 (5, 6)으로 브로드캐스팅될 수 있습니다. 그리고: 🎜🎜🎜 🎜a는 (5,6) 배열처럼 작동합니다. 여기서 [:, 0]은 다른 열로 브로드캐스트됩니다. 🎜🎜🎜🎜b는 (5,6) 배열처럼 작동합니다. 여기서 b[0, :] 다른 칼럼에도 방송 OK, 🎜
  • c被视为类似于一个(1,6)的矩阵,因此类似于一个(5,6)的矩阵,其中c的每一项元素被广播到每一行,最终,...

  • d 的作用类似于(5,6)数组,其中重复单个值。

  • 四、函数格式

            可以在通用函数 (ufunc) 的文档中找到有关 ufunc 的详细说明。

             调用ufuncs格式

            op( *x[, out], where=True, **kwargs)

    将 op 应用于参数 *x elementwise,广播参数。

    广播规则是:

    长度为 1 的维度可以添加到任一数组之前。

    数组可以沿长度为 1 的维度重复。

    参数:

            *xarray_like

            outndarray,None,或 ndarray 和 None 的元组,可选

            用于放置结果的备用数组对象;如果提供,它必须具有输入广播的形状。数组元组(可能仅作为关键字参数)的长度必须等于输出的数量;对 ufunc 分配的未初始化输出使用 None。

            wherearray_like,可选

            此条件通过输入广播。当条件为 True 时,ufunc 的结果将被赋值给 out 数组。在其他地方,out 数组将保留其原始值。请注意,如果通过默认 out=None 创建未初始化的 out 数组,则其中条件为 False 的位置将保持未初始化状态。

    五、示例详解 

    5.1 用输出参数

    a = np.array([2,4,5,6])
    b = np.array([2,2,3,3])
    c = np.zeros((4,))
    np.add(  a,b,c )
    print( c )

    5.2 行数组和列数组 

    a = np.arange(3)
    b = np.arange(3)[:, np.newaxis]
     
    print(a)
    print(b)

    输出: 

    [0 1 2]
    [[0]
     [1]
     [2]] 

    5.3 广播规则示例

    a = np.arange(3)
    b = np.arange(3)[:, np.newaxis]
     
    print(a)
    print(b)
     
    s = a + b
    print(s)

    六、ufunc后的数列运算

    6.1 数列运算

    在执行ufunc运算后,常常伴随数列运算,它们如下

    __call__(*args, **kwargs)

    Call self as a function.

    accumulate(array[, axis, dtype, out])

    Accumulate the result of applying the operator to all elements.

    at(a, indices[, b])

    Performs unbuffered in place operation on operand 'a' for elements specified by 'indices'.

    outer(A, B, /, **kwargs)

    Apply the ufunc op to all pairs (a, b) with a in A and b in B.

    reduce(array[, axis, dtype, out, keepdims, ...])

    Reduces array's dimension by one, by applying ufunc along one axis.

    reduceat(array, indices[, axis, dtype, out])

    Performs a (local) reduce with specified slices over a single axis.

    resolve_dtypes(dtypes, *[, signature, ...])

    Find the dtypes NumPy will use for the operation.

    6.2 累计模式

    累计模式不可以单独使用,而是与add以及multiply搭配使用:

    np.add.accumulate([2, 3, 5])
    array([ 2,  5, 10])
    np.multiply.accumulate([2, 3, 5])
    array([ 2,  6, 30])
    np.add.accumulate(I, 0)
    array([[1.,  0.],
           [1.,  1.]])
    np.add.accumulate(I) # no axis specified = axis zero
    array([[1.,  0.],
           [1.,  1.]])

    6.3 对数组中某个index的元素进行局部处理 

             1)   将项目 0 和 1 设置为负值:

    a = np.array([1, 2, 3, 4])
    np.negative.at(a, [0, 1])
    print( a )
    array([-1, -2,  3,  4])

             2)  递增项目 0 和 1,递增项目 2 两次:

    a = np.array([1, 2, 3, 4])
    np.add.at(a, [0, 1, 2, 2], 1)
    print( a )
    array([2, 3, 5, 4])

             3) 将第一个数组中的项 0 和 1 添加到第二个数组,并将结果存储在第一个数组中:

    a = np.array([1, 2, 3, 4])
    b = np.array([1, 2])
    np.add.at(a, [0, 1], b)
    print(a)
    array([2, 4, 3, 4])

     6.4 outer外积

    简单数组外积

    np.multiply.outer([1, 2, 3], [4, 5, 6])
    array([[ 4,  5,  6],
           [ 8, 10, 12],
           [12, 15, 18]])

    张量的外积 

    A = np.array([[1, 2, 3], [4, 5, 6]])
    A.shape
    (2, 3)
    B = np.array([[1, 2, 3, 4]])
    B.shape
    (1, 4)
    C = np.multiply.outer(A, B)
    C.shape; C
    (2, 3, 1, 4)
    array([[[[ 1,  2,  3,  4]],
            [[ 2,  4,  6,  8]],
            [[ 3,  6,  9, 12]]],
           [[[ 4,  8, 12, 16]],
            [[ 5, 10, 15, 20]],
            [[ 6, 12, 18, 24]]]])

     6.5 reduce方法

    a = np.multiply.reduce([2,3,5])
    print( a)
    30
    X = np.arange(8).reshape((2,2,2))
    X
    array([[[0, 1],
            [2, 3]],
           [[4, 5],
            [6, 7]]])
    np.add.reduce(X, 0)
    array([[ 4,  6],
           [ 8, 10]])
    np.add.reduce(X) # confirm: default axis value is 0
    array([[ 4,  6],
           [ 8, 10]])
    np.add.reduce(X, 1)
    array([[ 2,  4],
           [10, 12]])
    np.add.reduce(X, 2)
    array([[ 1,  5],
           [ 9, 13]])

    您可以使用 initial 关键字参数以不同的值初始化缩减,以及在何处选择要包含的特定元素:

    np.add.reduce([10], initial=5)
    15
    np.add.reduce(np.ones((2, 2, 2)), axis=(0, 2), initial=10)
    array([14., 14.])
    a = np.array([10., np.nan, 10])
    np.add.reduce(a, where=~np.isnan(a))
    20.0
    np.minimum.reduce([], initial=np.inf)
    inf
    np.minimum.reduce([[1., 2.], [3., 4.]], initial=10., where=[True, False])
    array([ 1., 10.])
    np.minimum.reduce([])
    Traceback (most recent call last):

    위 내용은 Python에서 numpy.ufunc 함수를 사용하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

    성명:
    이 기사는 yisu.com에서 복제됩니다. 침해가 있는 경우 admin@php.cn으로 문의하시기 바랍니다. 삭제