数组之间基本运算规则

1. 单值与数组运算

是将数组的每一元素均与那个单一数据进行计算，并返回同样大小的数组。

备注：参与运算的一个是数组一个是单一的数值。

piece = np.arange(1,5,1)
price = 2
piece
price
piece *price

>>>
array([1, 2, 3, 4])
2
array([2, 4, 6, 8])

1
2
3
4
5
6
7
8
9
10
11

2. 数组与数组之间运算

1）同方向相同大小一维数组之间运算

行列数相同数组的运算规律：是对应元素间一一进行运算，并返回同样大小的数组。

备注：参与运算的两个数组大小相等。

piece = np.arange(1,5,1)
price = np.arange(6,10,1)
piece
price
piece *price

>>>
array([1, 2, 3, 4])
array([6, 7, 8, 9])
array([ 6, 14, 24, 36])

1
2
3
4
5
6
7
8
9
10
11

2）同方向不同大小一维数组之间运算

piece = np.arange(1,5,1)
price = np.arange(6,8,1)
piece
price
piece *price

>>>
array([1, 2, 3, 4])
array([6, 7])
Traceback (most recent call last):
  File "", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (4,) (2,)
1
2
3
4
5
6
7
8
9
10
11
12

3）不同方向——单行数组与单列数组间运算

行数与单列数组的行数相同、列数与单行数组的列数相同。计算结果中第R行第C列的元素是单列数组的第R个元素和单行数组的第C个元素相运算的结果。
备注：参与运算的两个数组一个是单行数组一个是单列数组

piece = np.random.randint(1,5,(3,1))
price = np.random.randint(1,5,(1,3))
piece
price
piece *price

>>>
array([[1],
       [3],
       [4]])

array([[3, 3, 1]])

array([[ 3,  3,  1],
       [ 9,  9,  3],
       [12, 12,  4]])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

4）不同方向——单行数组与多行数组间运算

piece = np.random.randint(1,4,(1,3))
price = np.random.randint(1,7,(2,3))
piece
price
piece *price

>>>
array([[3, 3, 2]])

array([[5, 4, 1],
       [1, 1, 2]])
       
array([[15, 12,  2],
       [ 3,  3,  4]])

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

5）不同方向——单列数组和多列数组间运算

piece = np.random.randint(1,5,(3,2))
price = np.random.randint(1,5,(3,1))
piece
price
piece *price

>>>
array([[1, 1],
       [1, 4],
       [4, 4]])

array([[2],
       [3],
       [2]])
array([[ 2,  2],
       [ 3, 12],
       [ 8,  8]])

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

修改维度

np.newaxis()

np.newaxis 的功能是增加新的维度，但是要注意 np.newaxis 放的位置不同，产生的矩阵形状也不同。

通常按照如下规则：

np.newaxis 放在哪个位置，就会给哪个位置增加维度

x[:, np.newaxis] ，放在后面，会给列上增加维度
x[np.newaxis, :] ，放在前面，会给行上增加维度

test = np.random.randint(5,15,(2,2))
test.shape
test_add = test[:,np.newaxis]
test_add.shape

>>>
# test
array([[11,  7],
       [14,  8]])
(2,2)
# test_add
array([[[11],
        [ 7]],

       [[14],
        [ 8]]])
(2, 2, 1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

np.expand_dims() 增加维度为1

values：数组

axis：表示在该位置添加数据（可以是数组）

test = np.random.randint(5,15,(2,2))
test
test.shape
test_add = np.expand_dims(test,axis = 2)
test_add
test_add.shape

>>>
# test
array([[14,  8],
       [ 9,  8]])
(2, 2)

# test_add
array([[[14],
        [ 8]],

       [[ 9],
        [ 8]]])
(2, 2, 1)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

np.squeeze() 压缩维度为1

values：数组

axis：表示在该位置添加数据（可以是数组）

test = np.random.randint(5,15,(1,2,1,2))
test
test.shape
test_add = np.squeeze(test,(0,2))
test_add
test_add.shape

>>>
# test
array([[[[10, 12]],

        [[ 6,  9]]]])
(1, 2, 1, 2)

# test_add
array([[10, 12],
       [ 6,  9]])
(2, 2)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19