总结了12个Numpy高级函数，完美解决数据处理，拿来即用！

电玩女神 2022-10-17 05:25 93阅读 0赞

> 本文禁止转载！

原本是不想专门讲述Numpy函数的，但是今天又有人问起。这次黄同学趁机为大家总结了这12个Numpy高级函数，大家一定要掌握，因为它真的很好用！很好用！很好用！  
![在这里插入图片描述][20210601213803446.png_pic_center]  
在正式讲述12个函数之前，先看看黄同学为你准备的大纲，辛苦整理，记得保存。

![在这里插入图片描述][20210601215946751.png_pic_center]

#### 1. np.where(condition,x,y) ####

*  用法一：满足条件(condition)，输出x，不满足输出y。
 *  用法二：筛选出满足条件(condition)的元素。

例一：查找数组中大于5的值，并返回。对于小于等于5的部分，直接用5代替；

import numpy as np
    x = np.array([1,3,5,7,9])
    
    z = x > 5
    z
    
    np.where(z,y,5)

结果如下：  
![在这里插入图片描述][20210602073504547.png]  
例二：查找数组中大于18岁的人，并返回它们的下标；

y = np.array([19,35,15,25,10])
    y
    
    z = y > 18
    z
    
    np.where(z)

结果如下：  
![在这里插入图片描述][20210602073814899.png]

#### 2. np.cumsum()和np.cumprod() ####

*  np.cumsum()：按照不同轴，计算元素的累加和。
 *  np.cumprod()：按照不同轴，计算元素的累乘积。
 *  注意：若不设置axis，则会自动将数组拉成一条直线，然后进行累加或累乘。

如果不设置axis：

x = np.array([[1,2],[4,5],[7,8]])
    x
    
    np.cumsum(x)
    
    np.cumprod(x)

结果如下：  
![在这里插入图片描述][20210602075000492.png]

axis=0表示【按列方向操作】；axis=1表示【按行方向操作】

np.cumsum(x,axis=0)
    np.cumsum(x,axis=1)

结果如下：  
![在这里插入图片描述][20210602074534405.png]

np.cumprod(x,axis=0)
    np.cumprod(x,axis=1)

结果如下：  
![在这里插入图片描述][20210602075026484.png]

#### 3. np.argmin()和np.argmax() ####

*  np.argmin()：按照不同轴，返回最小值元素的下标。
 *  np.argmax()：按照不同轴，返回最大值元素的下标。
 *  注意：若不设置axis，则会自动将数组拉成一条直线，返回最大值、最小值元素的下标。

如果不设置axis：

x = np.array([[2,1,7],[6,0,3],[5,4,8]])
    x
    
    np.argmin(x)
    
    np.argmax(x)

结果如下：  
![在这里插入图片描述][2021060207573524.png]  
axis=0表示【按列方向操作】；axis=1表示【按行方向操作】

np.argmin(x,axis=0)
    np.argmin(x,axis=1)

结果如下：  
![在这里插入图片描述][20210602075801284.png]

np.argmax(x,axis=0)
    np.argmax(x,axis=1)

结果如下：  
![在这里插入图片描述][20210602075824287.png]

#### 4. np.sort() ####

*  np.sort()：按照不同轴，进行元素排序。
 *  默认是按照行操作，相当于axis=1。

x = np.array([[2,1,7],[6,0,3],[5,4,8]])
    x
    
    np.sort(x)
    np.sort(x,axis=1)

结果如下：  
![在这里插入图片描述][20210602080349567.png]

np.sort(x,axis=0)

结果如下：  
![在这里插入图片描述][20210602080427511.png]

#### 5. 如图所示 （六合一） ####

![在这里插入图片描述][20210602080803258.png]

###### ① unique() ######

![在这里插入图片描述][20210602081156384.png]

###### ② np.in1d() ######

![在这里插入图片描述][20210602081237477.png]

###### ③ np.intersect1d() ######

![在这里插入图片描述][2021060208135244.png]

###### ④ np.union1d() ######

![在这里插入图片描述][20210602081432286.png]

##### ⑤ np.setdiff1d() #####

![在这里插入图片描述][20210602081502225.png]

###### ⑥ np.setxor1d() ######

![在这里插入图片描述][20210602081538292.png]

[20210601213803446.png_pic_center]: /images/20221014/6a09e0ff905b4d15a4b2f4d935633c98.png
[20210601215946751.png_pic_center]: /images/20221014/0277e4c9778b447f96a78b3ad8ed9f7c.png
[20210602073504547.png]: /images/20221014/d82af5eb78124ce2a05f2a45d46010ad.png
[20210602073814899.png]: /images/20221014/f4f407d4a2a3431fbcbe60773d4f64a8.png
[20210602075000492.png]: /images/20221014/7a9548e58cb44b5997f63ca0dae22886.png
[20210602074534405.png]: /images/20221014/0c6720d7857f4c6783286167cef40ba5.png
[20210602075026484.png]: /images/20221014/8d3e1f8bc9a945f1a053ac5ce49570c0.png
[2021060207573524.png]: /images/20221014/dff9fbebae17442fb2a6102b60d80709.png
[20210602075801284.png]: /images/20221014/53dc6abdbbb2448b93d17e1e3a266864.png
[20210602075824287.png]: /images/20221014/e476bdc625c24d2c8d90dae3d6364e93.png
[20210602080349567.png]: /images/20221014/59d22b93a0b04886bdf493a720deebe2.png
[20210602080427511.png]: /images/20221014/a14b971832194720b0c9374b151f6d9e.png
[20210602080803258.png]: /images/20221014/e5e089de005c447b909143626f9471c4.png
[20210602081156384.png]: /images/20221014/312848416baa4c3f9c8b507571c80d55.png
[20210602081237477.png]: /images/20221014/48f1118c62c04286aa21cd4d23184f82.png
[2021060208135244.png]: /images/20221014/64bf06deec80459b9eeb28668a3fe481.png
[20210602081432286.png]: /images/20221014/0356fa2a7e39434ea5145d6b2c702ce2.png
[20210602081502225.png]: /images/20221014/16288a01686c4a08a951c0aeace835a0.png
[20210602081538292.png]: /images/20221014/845d3834e7364cb9adfceda7d9e33f1a.png