文章目录

  • 每篇前言
  • 1. 字符串函数
  • 2. 数学函数
  • 3. 算术函数
  • 4. 统计函数
  • 5. 排序函数
  • 6. 搜索函数
  • 7. 书籍推荐

每篇前言

  • 作者介绍：Python领域优质创作者、华为云享专家、阿里云专家博主、2021年CSDN博客新星Top6

  • 本文已收录于Python全栈系列专栏：​​此专栏文章是专门针对Python零基础小白所准备的一套完整教学，从0到100的不断进阶深入的学习，各知识点环环相扣
  • 订阅专栏后续可以阅读Python从入门到就业100篇文章；还可私聊进两百人Python全栈交流群（手把手教学，问题解答）； 进群可领取80GPython全栈教程视频 + 300本计算机书籍：基础、Web、爬虫、数据分析、可视化、机器学习、深度学习、人工智能、算法、面试题等。
  • 加入我一起学习进步，一个人可以走的很快，一群人才能走的更远！


1. 字符串函数

是用于对dtype为numpy.string_或numpy.unicode_的数组执行向量化字符串操作基于Python内置库中的标准字符串函数在字符数组类(numpy.char)中定义

1. add()：对两个数组的元素进行字符串连接

>>> import numpy as np>>>>>> print(np.char.add(['hello'],['python']))['hellopython']>>> print(np.char.add(['hello','python'],['yyds']))['helloyyds' 'pythonyyds']

2. multiply()：返回按元素多重连接后的字符串

>>> import numpy as np>>>>>> print(np.char.multiply(['hello'], 3))['hellohellohello']

3. center()：将字符串居中，，并使用指定字符在左侧和右 侧进行填充

>>> import numpy as np>>>>>> print(np.char.center(['hello', 'python'], 15, fillchar='-'))['-----hello-----' '-----python----']

4. capitalize()：将字符串第一个字母转换为大写

>>> import numpy as np>>>>>> print(np.char.capitalize(['hello', 'python']))['Hello' 'Python']

5. title()：将字符串的每个单词的第一个字 母转换为大写

>>> import numpy as np>>>>>> print(np.char.title(['hello python']))['Hello Python']

6. lower()：数组元素转换为小写

>>> import numpy as np>>>>>> print(np.char.lower(['Hello Python']))['hello python']

7. upper()：数组元素转换为大写

>>> import numpy as np>>>>>> print(np.char.upper(['Hello Python']))['HELLO PYTHON']

8. split()：指定分隔符对字符串进行分割，并返回数组列表

>>> import numpy as np>>>>>> print(np.char.split(['Hello Python'], sep=' '))[list(['Hello', 'Python'])]

9. splitlines()：返回元素中的行列表，以换行符分割

>>> import numpy as np>>>>>> print(np.char.splitlines(['Hello\nPython\nyyds']))[list(['Hello', 'Python', 'yyds'])]

10. strip()：移除元素开头或者结尾处的特定字符

>>> import numpy as np>>>>>> print(np.char.strip(['--Hello--', '--python--'], '-'))['Hello' 'python']

11. join()：通过指定分隔符来连接数组中的元素

>>> import numpy as np>>>>>> print(np.char.join("*", ['Hello', 'python']))['H*e*l*l*o' 'p*y*t*h*o*n']>>> print(np.char.join(["*", "-"], ['Hello--', 'python']))['H*e*l*l*o*-*-' 'p-y-t-h-o-n']

12. replace()：使用新字符串替换字符串中的所有子字符串

>>> import numpy as np>>>>>> print(np.char.replace(['Hello', 'python'], "python", "java"))['Hello' 'java']

13. encode()：编码，数组元素依次调用str.encode

>>> import numpy as np>>>>>> print(np.char.encode(['Hello', 'python'], "utf-8"))[b'Hello' b'python']

14. decode()：解码，数组元素依次调用str.decode

>>> import numpy as np>>>>>> a = np.char.encode(['Hello', 'python'], "utf-8")>>> print(np.char.decode(a, "utf-8"))['Hello' 'python']

2. 数学函数

1. 标准三角函数sin()、cos()、tan()

>>> import numpy as np>>>>>> a = np.array([0, 30, 45, 60, 90, 180])>>> print('不同角度的正弦值: ')不同角度的正弦值:>>> print(np.sin(a * np.pi / 180))[0.00000000e+00 5.00000000e-01 7.07106781e-01 8.66025404e-01 1.00000000e+00 1.22464680e-16]>>>>>> print('数组中角度的余弦值: ')数组中角度的余弦值:>>> print(np.cos(a * np.pi / 180))[ 1.00000000e+00  8.66025404e-01  7.07106781e-01  5.00000000e-01  6.12323400e-17 -1.00000000e+00]>>>>>> print('数组中角度的正切值: ')数组中角度的正切值:>>> print(np.tan(a * np.pi / 180))[ 0.00000000e+00  5.77350269e-01  1.00000000e+00  1.73205081e+00  1.63312394e+16 -1.22464680e-16]

2. 反三角函数arcsin()、arccos()、arctan()

>>> a = np.array([0, 30, 45, 60, 90, 180])>>> print('含有正弦值的数组: ')含有正弦值的数组:>>> sin = np.sin(a * np.pi / 180)>>> print(sin)[0.00000000e+00 5.00000000e-01 7.07106781e-01 8.66025404e-01 1.00000000e+00 1.22464680e-16]>>>>>> print('计算角度的反正弦，返回值以弧度为单位: ')计算角度的反正弦，返回值以弧度为单位:>>> inv = np.arcsin(sin)>>> print(inv)[0.00000000e+00 5.23598776e-01 7.85398163e-01 1.04719755e+00 1.57079633e+00 1.22464680e-16]>>>>>> print('通过转化为角度制来检查结果: ')通过转化为角度制来检查结果:>>> print(np.degrees(inv))[0.0000000e+00 3.0000000e+01 4.5000000e+01 6.0000000e+01 9.0000000e+01 7.0167093e-15]>>>>>> print('arccos和arctan 函数行为类似: ')arccos和arctan 函数行为类似:>>> cos = np.cos(a * np.pi / 180)>>> print(cos)[ 1.00000000e+00  8.66025404e-01  7.07106781e-01  5.00000000e-01  6.12323400e-17 -1.00000000e+00]>>>>>> print('反余弦: ')反余弦:>>> inv = np.arccos(cos)>>> print(inv)[0.         0.52359878 0.78539816 1.04719755 1.57079633 3.14159265]>>>>>> print('角度制单位: ')角度制单位:>>> print(np.degrees(inv))[  0.  30.  45.  60.  90. 180.]>>>>>> print('tan函数: ')tan函数:>>> tan = np.tan(a * np.pi / 180)>>> print(tan)[ 0.00000000e+00  5.77350269e-01  1.00000000e+00  1.73205081e+00  1.63312394e+16 -1.22464680e-16]>>>>>> print('反正切:')反正切:>>> inv = np.arctan(tan)>>> print(inv)[ 0.00000000e+00  5.23598776e-01  7.85398163e-01  1.04719755e+00  1.57079633e+00 -1.22464680e-16]>>>>>> print('角度制单位: ')角度制单位:>>> print(np.degrees(inv))[ 0.0000000e+00  3.0000000e+01  4.5000000e+01  6.0000000e+01  9.0000000e+01 -7.0167093e-15]

3. numpy.around(a, decimals=0)：返回指定数字的四舍五入值

参数说明：

  • a：数组
  • decimals：舍入的小数位数。默认值为0。 如果为负，整数将四舍五入到小数点左侧的位置
>>> import numpy as np>>>>>> a = np.array([1.0, 2.22, 3.456, 4.4444, 5.5555, 12345])>>> print(a)[1.0000e+00 2.2200e+00 3.4560e+00 4.4444e+00 5.5555e+00 1.2345e+04]>>>>>> print(np.around(a))[1.0000e+00 2.0000e+00 3.0000e+00 4.0000e+00 6.0000e+00 1.2345e+04]>>> print(np.around(a, decimals=1))[1.0000e+00 2.2000e+00 3.5000e+00 4.4000e+00 5.6000e+00 1.2345e+04]>>> print(np.around(a, decimals=-1))[0.000e+00 0.000e+00 0.000e+00 0.000e+00 1.000e+01 1.234e+04]

4. floor()：向下取整，反回不大于输入参数的最大整数。即标量x 的下限是最大的整数i，使得i <=X。注意在Python中， 向下取整总是从0舍入

>>> import numpy as np>>>>>> a = np.array([1.0, 2.2, 3.4, 4.4, 5.5, 12345])>>> print(a)[1.0000e+00 2.2000e+00 3.4000e+00 4.4000e+00 5.5000e+00 1.2345e+04]>>>>>> print(np.floor(a))[1.0000e+00 2.0000e+00 3.0000e+00 4.0000e+00 5.0000e+00 1.2345e+04]

5. ceil()：向.上取整，返回输入值的上限，即，标量x的上限是最小的整数i，使得i>= x

>>> import numpy as np>>>>>> a = np.array([1.0, 2.2, 3.4, 4.4, 5.5, 12345])>>> print(a)[1.0000e+00 2.2000e+00 3.4000e+00 4.4000e+00 5.5000e+00 1.2345e+04]>>>>>> print(np.ceil(a))[1.0000e+00 3.0000e+00 4.0000e+00 5.0000e+00 6.0000e+00 1.2345e+04]

3. 算术函数

1. 加减乘除：add()，subtract()，multiply()，divide()

>>> import numpy as np>>>>>> x = np.arange(9, dtype="f").reshape(3, 3)>>> print("x数组: ")x数组:>>> print(x)[[0. 1. 2.] [3. 4. 5.] [6. 7. 8.]]>>>>>> y = np.array([10, 10, 10])>>> print("y数组: ")y数组:>>> print(y)[10 10 10]>>>>>> print("两个数组相加")两个数组相加>>> print(np.add(x, y))[[10. 11. 12.] [13. 14. 15.] [16. 17. 18.]]>>>>>> print("两个数组相减")两个数组相减>>> print(np.subtract(x, y))[[-10.  -9.  -8.] [ -7.  -6.  -5.] [ -4.  -3.  -2.]]>>>>>> print("两个数组相乘")两个数组相乘>>> print(np.multiply(x, y))[[ 0. 10. 20.] [30. 40. 50.] [60. 70. 80.]]>>>>>> print("两个数组相除")两个数组相除>>> print(np.divide(x, y))[[0.  0.1 0.2] [0.3 0.4 0.5] [0.6 0.7 0.8]]

2. reciprocal()：返回参数逐个元素的倒数

>>> import numpy as np>>>>>> x = np.arange(10)>>> print(x)[0 1 2 3 4 5 6 7 8 9]>>> print(np.reciprocal(x))[-2147483648           1           0           0           0           0           0           0           0           0]

3. power()：将第一个输入数组中的元素作为底数，计算它与第二个输入数组中相应元素的幂

>>> import numpy as np>>>>>> a = np.array([1, 2, 3])>>> b = np.array([10, 10, 10])>>>>>> print(np.power(a, b))[    1  1024 59049]

4. mod()、remainder()：计算输入数组中相应元素的相除后的余数

>>> import numpy as np>>>>>> a = np.array([10, 10, 10])>>> b = np.array([1, 2, 3])>>>>>> print(np.mod(a, b))[0 0 1]>>> print(np.remainder(a, b))[0 0 1]

4. 统计函数

1. amax()、amin()：计算数组中的元素沿指定轴的最大值、最小值

>>> import numpy as np>>>>>> a = np.arange(12).reshape(3, 4)>>> print(a)[[ 0  1  2  3] [ 4  5  6  7] [ 8  9 10 11]]>>>>>> print(np.amax(a, 0))[ 8  9 10 11]>>> print(np.amax(a, 1))[ 3  7 11]>>>>>> print(np.amin(a, 0))[0 1 2 3]>>> print(np.amin(a, 1))[0 4 8]

2. ptp()：计算数组中元素最大值与最小值的差(最大值-最小值)

>>> import numpy as np>>>>>> a = np.arange(12).reshape(3, 4)>>> print(a)[[ 0  1  2  3] [ 4  5  6  7] [ 8  9 10 11]]>>>>>> print(np.ptp(a, 0))[8 8 8 8]>>> print(np.ptp(a, 1))[3 3 3]

3. numpy . percentile(a, q,axis)：百分位数是统计中使用的度量、表示小于这个值的观察值的百分比

参数说明：

  • a：输入数组
  • p：要计算的百分位数，在0~ 100之间（第p个百分位数是这样一个值， 它使得至少有p%的数据项小于或等于这个值，且至少有(100-p)%的数据项大于或等于这个值）
  • axis：沿着它计算百分位数的轴
>>> import numpy as np>>>>>> a = np.arange(12).reshape(3, 4)>>> print(a)[[ 0  1  2  3] [ 4  5  6  7] [ 8  9 10 11]]>>>>>> print(np.percentile(a, 50))5.5>>> print(np.percentile(a, 50, axis=0))[4. 5. 6. 7.]>>> print(np.percentile(a, 50, axis=1))[1.5 5.5 9.5]>>> print(np.percentile(a, 50, axis=1, keepdims=True))[[1.5] [5.5] [9.5]]

4. sum()：求和

>>> import numpy as np>>>>>> t = np.arange(1,11).reshape(2,5)>>> tarray([[ 1,  2,  3,  4,  5],       [ 6,  7,  8,  9, 10]])>>> np.sum(t)55>>> np.sum(t,axis=0) # axis=0表示每列相加的结果array([ 7,  9, 11, 13, 15])>>> np.sum(t,axis=1) # axis=1表示每行相加的结果array([15, 40])

5. mean() ：均值，受离群点的影响较大

>>> import numpy as np>>>>>> t = np.arange(1,11).reshape(2,5)>>> tarray([[ 1,  2,  3,  4,  5],       [ 6,  7,  8,  9, 10]])>>> t.mean(axis=None)5.5>>> t.mean(axis=0)array([3.5, 4.5, 5.5, 6.5, 7.5])>>> t.mean(axis=1)array([3., 8.])

6. median() ：中值

>>> import numpy as np>>>>>> t = np.arange(1,11).reshape(2,5)>>> tarray([[ 1,  2,  3,  4,  5],       [ 6,  7,  8,  9, 10]])>>> np.median(t,axis=None)5.5>>> np.median(t,axis=0)array([3.5, 4.5, 5.5, 6.5, 7.5])>>> np.median(t,axis=1)array([3., 8.])

7. std() ：标准差是一组数据平均值分散程度的一种度量。一个较大的标准差，代表大部分数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值反映出数据的波动稳定情况，越大表示波动越大，约不稳定

>>> import numpy as np>>>>>> t = np.arange(1,11).reshape(2,5)>>> tarray([[ 1,  2,  3,  4,  5],       [ 6,  7,  8,  9, 10]])>>> t.std(axis=None)2.8722813232690143>>> t.std(axis=0)array([2.5, 2.5, 2.5, 2.5, 2.5])>>> t.std(axis=1)array([1.41421356, 1.41421356])

5. 排序函数

1. sort(a, axis, kind, order)：返回输入数组的排序副本

参数说明：

  • a：要排序的数组
  • axis：沿着它排序数组的轴，如果没有数组会被展开，沿着最后的轴排序，axis=0按列排序，axis=1 按行排序
    kind：排序算法，默认为’quicksort’
  • order：如果数组包含字段，则是要排序的字段
>>> import numpy as np>>>>>> x = np.random.randint(1, 11, 12).reshape(3, 4)>>> print("x数组: ")x数组:>>> print(x)[[ 6  1  7  6] [10  4  1  9] [ 2  8  3  9]]>>>>>> print("调用sort()函数后: ")调用sort()函数后:>>> print(np.sort(x))[[ 1  6  6  7] [ 1  4  9 10] [ 2  3  8  9]]>>>>>> print("按列排序: ")按列排序:>>> print(np.sort(x, axis=0))[[ 2  1  1  6] [ 6  4  3  9] [10  8  7  9]]>>>>>> # 在sort函数中排序字段>>> dt = np.dtype([('name', 'S10'), ('age', int)])>>> y = np.array([("xiaoming", 10), ("xiaoming", 20), ("xiaohong", 30), ("xiaobai", 40)], dtype=dt)>>> print("y数组: ")y数组:>>> print(y)[(b'xiaoming', 10) (b'xiaoming', 20) (b'xiaohong', 30) (b'xiaobai', 40)]>>>>>> print("按age排序：")按age排序：>>> print(np.sort(y, order="age"))[(b'xiaoming', 10) (b'xiaoming', 20) (b'xiaohong', 30) (b'xiaobai', 40)]

2. argbort()：对输入数组沿给定轴执行间接排序，并使用指定排序类型返回数据的索引数组。这个索引数组用于构造排序后的数组

>>> import numpy as np>>>>>> x = np.array([3,1,2])>>> print("x数组: ")x数组:>>> print(x)[3 1 2]>>>>>> print("使用argsort()函数排序: ")使用argsort()函数排序:>>> i = np.argsort(x)>>> print(i)[1 2 0]>>>>>> print("一排序后的顺序重构原数组: ")一排序后的顺序重构原数组:>>> print(x[i])[1 2 3]>>>>>> print("使用循环重构原数组: ")使用循环重构原数组:>>> for index in i:...     print(x[index])...123

3. lexsort()：使用键序列执行间接排序。键可以看作是电子表格中的一列。该函数返回一个索引数组，使用它可以获得排序数据。注意：最后一个键恰好是sort的主键

>>> import numpy as np>>>>>> nm = ('raju', 'anil', 'ravi', ' amar')>>> dv = ('f.y.', 's.y.', 's.y.', 'f.y.')>>> print('调用lexsort() 函数: ')调用lexsort() 函数:>>> ind = np.lexsort((dv, nm))>>> print(ind)[3 1 0 2]>>>>>> print('使用这个索引来获取排序后的数据: ')使用这个索引来获取排序后的数据:>>> print([nm[i] + "," + dv[i] for i in ind])[' amar,f.y.', 'anil,s.y.', 'raju,f.y.', 'ravi,s.y.']

4. msort(a)：数组按第一个轴排序，返回排序后的数组副本。说明: np.msort(a) 相等于np.sort(a, axis=0)

5. sort_ complex(a)：对复数按照先实部后虚部的顺序进行排序

>>> import numpy as np>>>>>> x = np.array([100, 20, 30, 10, 50])>>> print("x数组: ")x数组:>>> print(x)[100  20  30  10  50]>>>>>> print(" x使用sort_ .complex( )函数排序: ") x使用sort_ .complex( )函数排序:>>> print(np.sort_complex(x))[ 10.+0.j  20.+0.j  30.+0.j  50.+0.j 100.+0.j]>>>>>> y = np.array([1 + 2j, 2 - 1j, 3 - 2j, 3 - 3j, 3 + 5j])>>> print("y数组: ")y数组:>>> print(y)[1.+2.j 2.-1.j 3.-2.j 3.-3.j 3.+5.j]>>>>>> print("y使用sort_ complex( )函数排序: ")y使用sort_ complex( )函数排序:>>> print(np.sort_complex(y))[1.+2.j 2.-1.j 3.-3.j 3.-2.j 3.+5.j]

6. partition(a, kth[, axis, kind, order])：指定已个数，对数组进行分区

>>> import numpy as np>>>>>> x = np.array([3, 4, 2, 1])>>> print("x数组: ")x数组:>>> print(x)[3 4 2 1]>>>>>> # 将数组x中所有元素(包括重复元素)从小到大排列，3表示的是排序数组索引为3的数字，比该数字小的排在该数字前面，比该数字 大的排在该数字的后面>>> print(np.partition(x, 3))[2 1 3 4]>>>>>> # 小于1的在前面，大于3的在后面，1和3之间的在中间>>> print(np.partition(x, (1, 3)))[1 2 3 4]

7. argpartition(a, kth[, axis, kind, order])：可以通过关键字kind指定算法沿着指定轴对数组进行分区

>>> import numpy as np>>>>>> y = np.array([46, 57, 23, 39, 1, 10, 0, 120])>>> print("y数组: ")y数组:>>> print(y)[ 46  57  23  39   1  10   0 120]>>>>>> print("找到数组的第3小(index=2) 的值和第2大(index=-2) 的值:")找到数组的第3小(index=2) 的值和第2大(index=-2) 的值:>>> print(y[np.argpartition(y, 2)[2]])10>>> print(y[np.argpartition(y, -2)[-2]])57>>> print("同时找到第3和第4小的值:")同时找到第3和第4小的值:>>> # 用[2,3]同时将第3和第4小的排序好,然后可以分别通过下标[2]和[3]取得>>> print(y[np.argpartition(y, [2, 3])[2]])10>>> print(y[np.argpartition(y, [2, 3])[3]])23

6. 搜索函数

1. max() ：最大值

>>> import numpy as np>>>>>> t = np.arange(1,11).reshape(2,5)>>> tarray([[ 1,  2,  3,  4,  5],       [ 6,  7,  8,  9, 10]])>>> t.max(axis=0)array([ 6,  7,  8,  9, 10])>>> t.max(axis=1)array([ 5, 10])

2. min(axis=None)：最小值

>>> import numpy as np>>>>>> t = np.arange(1,11).reshape(2,5)>>> tarray([[ 1,  2,  3,  4,  5],       [ 6,  7,  8,  9, 10]])>>> t.min(axis=None)1>>> t.min(axis=0)array([1, 2, 3, 4, 5])>>> t.min(axis=1)array([1, 6])

3. argmax()：沿给定轴返回最大元素的索引

>>> import numpy as np>>>>>> t = np.arange(1,11).reshape(2,5)>>> tarray([[ 1,  2,  3,  4,  5],       [ 6,  7,  8,  9, 10]])>>>>>> t.argmax(axis=None)9>>>>>> t.argmax(axis=0)array([1, 1, 1, 1, 1], dtype=int64)>>>>>> t.argmax(axis=1)array([4, 4], dtype=int64)

4. argmin()：沿给定轴返回最小元素的索引

>>> import numpy as np>>>>>> t = np.arange(1,11).reshape(2,5)>>> tarray([[ 1,  2,  3,  4,  5],       [ 6,  7,  8,  9, 10]])>>>>>> t.argmin(axis=None)0>>>>>> t.argmin(axis=0)array([0, 0, 0, 0, 0], dtype=int64)>>>>>> t.argmin(axis=1)array([0, 0], dtype=int64)

5. nonzero()：返回输入数组中非零元素的索引

>>> import numpy as np>>>>>> x = np.array([[30, 40, 0], [0, 20, 10], [50, 0, 60]])>>> print("x数组: ")x数组:>>> print(x)[[30 40  0] [ 0 20 10] [50  0 60]]>>>>>> print(np.nonzero(x))(array([0, 0, 1, 1, 2, 2], dtype=int64), array([0, 1, 1, 2, 0, 2], dtype=int64))

6. where()：返回输入数组中满足给定条件的元素的索引

>>> import numpy as np>>>>>> x = np.array([[30, 40, 0], [0, 20, 10], [50, 0, 60]])>>> print("x数组: ")x数组:>>> print(x)[[30 40  0] [ 0 20 10] [50  0 60]]>>>>>> print("大于30的元素的索引: ")大于30的元素的索引:>>> y = np.where(x > 30)>>> print(y)(array([0, 2, 2], dtype=int64), array([1, 0, 2], dtype=int64))>>>>>> print("使用这些索引来获取满足条件的元素: ")使用这些索引来获取满足条件的元素:>>> print(x[y])[40 50 60]

7. extract()：根据某个条件从数组中抽取元素，返回满条件的元素

>>> import numpy as np>>>>>> x = np.array([[31, 40, 4], [2, 23, 10], [50, 3, 60]])>>> print(" x数组: ") x数组:>>> print(x)[[31 40  4] [ 2 23 10] [50  3 60]]>>>>>> # 定义条件，选择偶数元素>>> condition = np.mod(x, 2) == 0>>> print("按元素的条件值: ")按元素的条件值:>>> print(condition)[[False  True  True] [ True False  True] [ True False  True]]>>>>>> print("使用条件提取元素: ")使用条件提取元素:>>> print(np.extract(condition, x))[40  4  2 10 50 60]

7. 书籍推荐

书籍展示：《Kerberos域网络安全从入门到精通》

【书籍内容简介】

  • 从企业网络组的协议原理、域森林实验环境和安装过程；介绍在域内如何高效搜集有效的域信息，解析针对域网络的攻击手段、典型漏洞及对应的检测防御手段；介绍在域内制作安全隐蔽后门的方法，并针对这些域后门专业介绍基于元数据的检测手段。
    本书专业性强，适合具备一定网络基础、编程基础、攻防基础的专业人士阅读，也可以作为网络安全专业的教学用书。
  • 京东自营：https://item.jd.com/13651082.html