NumPy数学函数运算全攻略：新手友好教程

引言

NumPy是Python中用于科学计算的核心库，提供了高效的数组操作和数学函数。数学函数运算是数据分析、机器学习等领域的基石。本教程将详细介绍NumPy中的关键数学函数，从基础三角函数到高级向量化函数，帮助您轻松掌握。

1. 三角函数与反三角函数

三角函数和反三角函数在信号处理、物理模拟等领域广泛应用。NumPy提供了一系列函数来处理这些操作。

1.1 基本三角函数

NumPy中的三角函数使用弧度制输入。常见函数包括：

• np.sin(x)：计算正弦值
• np.cos(x)：计算余弦值
• np.tan(x)：计算正切值

示例代码：

import numpy as np
# 创建一个数组
angles = np.array([0, np.pi/4, np.pi/2])
print("Sin values:", np.sin(angles))
print("Cos values:", np.cos(angles))
print("Tan values:", np.tan(angles))

这些函数可以直接应用于NumPy数组，实现向量化计算，提高效率。

1.2 反三角函数

反三角函数返回弧度值，例如：

• np.arcsin(x)：计算反正弦，输入范围[-1, 1]
• np.arccos(x)：计算反余弦，输入范围[-1, 1]
• np.arctan(x)：计算反正切，返回[-π/2, π/2]

示例代码：

values = np.array([0.5, 0.0, -0.5])
print("Arcsine:", np.arcsin(values))
print("Arccosine:", np.arccos(values))
print("Arctangent:", np.arctan(values))

反三角函数常用于角度计算和几何问题。

2. 指数与对数函数

指数和对数函数在金融建模、数据压缩等领域常见。

2.1 指数函数

• np.exp(x)：计算e的x次幂，其中e是自然对数的底数（约2.718）。

示例：

x = np.array([0, 1, 2])
print("Exponential:", np.exp(x))  # 输出: [1. 2.718... 7.389...]

2.2 对数函数

NumPy提供多种对数函数：

• np.log(x)：计算自然对数（以e为底）
• np.log10(x)：计算常用对数（以10为底）
• np.log2(x)：计算以2为底的对数

示例代码：

values = np.array([1, 10, 100])
print("Natural log:", np.log(values))
print("Base-10 log:", np.log10(values))
print("Base-2 log:", np.log2(values))

注意：输入值必须为正数，否则可能引发错误。

3. 舍入与截断函数

舍入函数用于数值处理，在数据清洗和精度控制中很重要。

3.1 舍入函数

• np.round(x, decimals=n)：四舍五入到指定小数位数，n默认为0。
• np.floor(x)：向下取整，返回不大于x的最大整数。
• np.ceil(x)：向上取整，返回不小于x的最小整数。

示例：

arr = np.array([1.234, 2.567, -3.789])
print("Rounded (2 decimals):", np.round(arr, 2))
print("Floor:", np.floor(arr))
print("Ceil:", np.ceil(arr))

3.2 截断函数

• np.trunc(x)：截断小数部分，向零方向取整。

示例：

print("Truncate:", np.trunc(arr))  # 输出: [1. 2. -3.]

与floor和ceil不同，trunc总是向零取整，无论正负。

4. 自定义向量化函数

NumPy的核心优势是向量化操作，但有时需要自定义函数。使用np.vectorize()可以将普通Python函数转换为向量化版本。

4.1 使用np.vectorize()

np.vectorize()包装一个函数，使其能接受NumPy数组作为输入，并逐元素应用。

示例：定义一个自定义函数并向量化。

def custom_func(x):
    return x**2 + np.sin(x)  # 计算平方加正弦

vectorized_func = np.vectorize(custom_func)
arr = np.array([0, 1, 2])
print("Vectorized result:", vectorized_func(arr))

这避免了Python循环，提高了效率，尤其对大数组。

4.2 注意事项

• np.vectorize()本质上是Python级循环，可能不如原生NumPy函数快。但在兼容性上更灵活。
• 支持多参数函数，例如：np.vectorize(func, otypes=[float])指定输出类型。
• 优先使用NumPy内置函数，若无法满足再考虑np.vectorize()。

结论

NumPy的数学函数库强大且高效，覆盖了从基础三角函数到高级向量化操作的方方面面。通过本教程，您应该能熟练使用这些函数进行数据计算。实践是掌握的关键，尝试结合实际数据集练习这些函数。

进一步学习，可探索NumPy的统计函数或线性代数模块。希望本教程助您在NumPy旅程中顺利起步！

练习提示： 尝试创建一个数组，应用所有讨论的函数，并比较结果。例如，使用随机数生成数组，计算其指数、对数，并进行舍入处理。