异常教程

NumPy 数学函数（千字长文）

更新时间:

💡一则或许对你有用的小广告

欢迎加入小哈的星球 ，你将获得：专属的项目实战 / 1v1 提问 / Java 学习路线 / 学习打卡 / 每月赠书 / 社群讨论

  • 新项目:《从零手撸：仿小红书（微服务架构）》 正在持续爆肝中，基于 Spring Cloud Alibaba + Spring Boot 3.x + JDK 17...，点击查看项目介绍 ;
  • 《从零手撸：前后端分离博客项目（全栈开发）》 2 期已完结，演示链接： http://116.62.199.48/ ;

截止目前， 星球 内专栏累计输出 82w+ 字，讲解图 3441+ 张，还在持续爆肝中.. 后续还会上新更多项目，目标是将 Java 领域典型的项目都整一波，如秒杀系统, 在线商城, IM 即时通讯，权限管理，Spring Cloud Alibaba 微服务等等，已有 2900+ 小伙伴加入学习 ，欢迎点击围观

前言

在数据科学和科学计算领域，NumPy 是 Python 生态系统中不可或缺的基石库。其核心功能之一是提供了丰富且高效的数学函数，能够快速处理数组运算、统计分析、线性代数等复杂任务。对于编程初学者和中级开发者而言，掌握 NumPy 数学函数不仅能提升代码效率，还能为后续学习 Pandas、SciPy 等高级库打下坚实基础。本文将通过循序渐进的方式，结合实际案例，深入讲解 NumPy 数学函数的使用场景与核心技巧。

NumPy 数学函数基础：从简单到复杂

数组的创建与基本运算

NumPy 的核心数据结构是 ndarray（N-dimensional array），它支持向量化操作，即对整个数组执行运算，而无需显式循环。例如，计算一个数组的平方：

import numpy as np

arr = np.array([1, 2, 3, 4])
squared = np.square(arr)  # 或直接使用 arr ** 2
print(squared)  # 输出：[ 1  4  9 16]

比喻：想象一个工厂流水线，传统 Python 列表需要逐个处理每个“零件”（元素），而 NumPy 数组则像一台批量加工的机器，一次处理所有零件，效率大幅提升。

常用数学函数：三角函数、指数与对数

NumPy 提供了大量数学函数，覆盖三角函数、指数运算、对数计算等场景。例如：

angles = np.array([0, np.pi/4, np.pi/2])
sin_values = np.sin(angles)
print(sin_values)  # 输出：[0.         0.70710678 1.        ]

exp_values = np.exp([1, 2, 3])  # e的幂
log_values = np.log(exp_values)  # 自然对数
print(log_values)  # 输出：[1. 2. 3.]

关键点：

  • 函数名通常与数学符号一致（如 np.log 对应 ln）。
  • 支持广播机制（Broadcasting），可自动处理不同形状的数组运算。

统计与聚合函数：快速分析数据

基础统计函数

NumPy 的统计函数可高效计算数组的统计指标，例如均值、总和、标准差等：

data = np.array([10, 15, 20, 25, 30])

mean_val = np.mean(data)       # 平均值
sum_val = np.sum(data)         # 总和
std_val = np.std(data)         # 标准差
max_val = np.max(data)         # 最大值

print(f"平均值：{mean_val}, 总和：{sum_val}, 标准差：{std_val}")

应用场景：

  • 计算学生考试成绩的平均分、最高分。
  • 分析传感器数据的波动范围（如标准差）。

分位数与极值定位

np.percentile 和 np.argmax 等函数可用于更细粒度的统计分析：

percentile_75 = np.percentile(data, 75)
print(percentile_75)  # 输出：23.75

max_index = np.argmax(data)
print(f"最大值位于索引：{max_index}")  # 输出：最大值位于索引：4

比喻：

  • np.percentile 相当于在数据“河流”中设置浮标，标记特定位置的数值。
  • np.argmax 像是寻找队伍中最高的“士兵”，直接返回其位置。

线性代数函数：矩阵运算的利器

矩阵乘法与逆矩阵

NumPy 的 linalg 子模块提供了线性代数运算功能，例如矩阵乘法、求逆矩阵等：

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

product = np.dot(A, B)  # 或使用 A @ B（Python 3.5+）
print(product)

inv_A = np.linalg.inv(A)
print(inv_A)

关键点：

  • @ 运算符简化了矩阵乘法的语法。
  • 逆矩阵要求矩阵为方阵且行列式不为零。

解线性方程组

通过 np.linalg.solve 可快速解线性方程组：

coefficients = np.array([[3, 2], [2, -1]])
constants = np.array([7, 1])
solution = np.linalg.solve(coefficients, constants)
print(solution)  # 输出：[1. 2.]

数学意义：
此函数本质是通过矩阵求逆或高斯消元法，找到方程组的解向量。

随机数生成：模拟与实验的基石

常见分布的随机数

NumPy 的 random 模块支持生成符合特定分布的随机数，常用于模拟实验或数据增强：

normal_data = np.random.normal(size=5)
print(normal_data)  # 示例输出：[0.123  -0.456   1.234  -0.789   0.567]

uniform_data = np.random.uniform(size=3)
print(uniform_data)  # 示例输出：[0.789 0.123 0.456]

固定随机种子

通过 np.random.seed() 可确保结果可复现：

np.random.seed(42)
random_numbers = np.random.randint(0, 10, size=3)
print(random_numbers)  # 输出：[5 8 9]

进阶技巧：数组操作与函数应用

条件筛选与掩码

使用布尔数组（Mask）筛选符合条件的元素：

data = np.array([10, 20, 30, 40, 50])
mask = data > 25
filtered = data[mask]
print(filtered)  # 输出：[30 40 50]

向量化函数与 apply 操作

np.vectorize 可将标量函数转换为向量化函数，而 apply_along_axis 则沿指定轴应用函数：

def square_root(x):
    return np.sqrt(x)

vec_func = np.vectorize(square_root)
result = vec_func(np.array([4, 9, 16]))
print(result)  # 输出：[2. 3. 4.]

数据标准化（归一化）

通过数学函数组合实现特征缩放：

def normalize(arr):
    return (arr - np.min(arr)) / (np.max(arr) - np.min(arr))

data = np.array([5, 15, 25, 35, 45])
normalized = normalize(data)
print(normalized)  # 输出：[0.   0.25 0.5  0.75 1.  ]

实战案例：学生成绩分析

场景描述

假设某班级有 5 门课程的成绩数据，需计算均分、标准差，并筛选出数学成绩前 20% 的学生：

scores = np.array([
    [85, 90, 78, 88, 92],
    [76, 88, 90, 79, 85],
    [92, 85, 88, 90, 95],
    [88, 79, 82, 85, 89],
    [90, 92, 89, 94, 88]
])

subject_means = np.mean(scores, axis=0)
print("各科平均分：", subject_means)

math_std = np.std(scores[:, 4])
print("数学成绩标准差：", math_std)  # 约 4.53

math_scores = scores[:, 4]
threshold = np.percentile(math_scores, 80)
top_students = scores[math_scores >= threshold]
print("高分学生数据：\n", top_students)

结论

NumPy 数学函数凭借其高效性和丰富性，成为 Python 科学计算的核心工具。无论是基础的统计分析、线性代数运算，还是复杂的随机模拟，都能通过简洁的代码实现。对于开发者而言，掌握这些函数不仅能提升代码效率，还能更灵活地应对数据预处理、算法实现等实际需求。建议读者通过动手实践（如尝试修改上述案例的参数或函数）进一步巩固理解，逐步解锁 NumPy 的更多潜力。

提示：若想进一步深入学习，可探索 NumPy 的广播机制、高级索引技巧，或结合 Pandas、Matplotlib 完成端到端的数据分析项目。

最新发布

查看更多文章