NumPy 双曲函数与集合操作详解

NumPy 双曲函数

NumPy 提供了 sinh()cosh()tanh() 等 ufunc,它们接受弧度值并生成相应的双曲正弦、双曲余弦和双曲正切值。

示例:

python 复制代码
import numpy as np

x = np.sinh(np.pi/2)

print(x)

示例

找到数组 arr 中所有值的双曲余弦值:

python 复制代码
import numpy as np

arr = np.array([np.pi/2, np.pi/3, np.pi/4, np.pi/5])

x = np.cosh(arr)

print(x)

查找角度

从双曲正弦、双曲余弦、双曲正切值查找角度。例如,sinh、cosh 和 tanh 的反函数(arcsinh、arccosh、arctanh)。

NumPy 提供了 arcsinh()arccosh()arctanh() 等 ufunc,它们给出相应 sinh、cosh 和 tanh 值的弧度值。

示例

找到 1.0 的角度:

python 复制代码
import numpy as np

x = np.arcsinh(1.0)

print(x)

数组中每个值的角度

示例

找到数组中所有 tanh 值的角度:

python 复制代码
import numpy as np

arr = np.array([0.1, 0.2, 0.5])

x = np.arctanh(arr)

print(x)

NumPy 集合操作

什么是集合

在数学中,集合是一组唯一元素的集合。

集合用于频繁进行交集、并集和差集运算。

在 NumPy 中创建集合

我们可以使用 NumPy 的 unique() 方法从任何数组中找到唯一元素。例如,创建一个集合数组,但请记住,集合数组应该只是一维数组。

示例

将以下包含重复元素的数组转换为集合:

python 复制代码
import numpy as np

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

x = np.unique(arr)

print(x)

查找并集

要找到两个数组的唯一值,请使用 union1d() 方法。

示例

找到以下两个集合数组的并集:

python 复制代码
import numpy as np

arr1 = np.array([1, 2, 3, 4])
arr2 = np.array([3, 4, 5, 6])

newarr = np.union1d(arr1, arr2)

print(newarr)

查找交集

要找到仅在两个数组中都存在的值,请使用 intersect1d() 方法。

示例

找到以下两个集合数组的交集:

python 复制代码
import numpy as np

arr1 = np.array([1, 2, 3, 4])
arr2 = np.array([3, 4, 5, 6])

newarr = np.intersect1d(arr1, arr2, assume_unique=True)

print(newarr)

注意: intersect1d() 方法接受一个可选参数 assume_unique,如果设置为 True,则可以加快计算速度。在处理集合时应始终将其设置为 True。

查找差集

要找到第一个集合中存在但第二个集合中不存在的值,请使用 setdiff1d() 方法。

示例

找到 set2 中不存在的 set1 的差集:

python 复制代码
import numpy as np

set1 = np.array([1, 2, 3, 4])
set2 = np.array([3, 4, 5, 6])

newarr = np.setdiff1d(set1, set2, assume_unique=True)

print(newarr)

注意: setdiff1d() 方法接受一个可选参数 assume_unique,如果设置为 True,则可以加快计算速度。在处理集合时应始终将其设置为 True。

查找对称差

要找到两个集合中都不存在的值,请使用 setxor1d() 方法。

示例

找到 set1 和 set2 的对称差:

python 复制代码
import numpy as np

set1 = np.array([1, 2, 3, 4])
set2 = np.array([3, 4, 5, 6])

newarr = np.setxor1d(set1, set2, assume_unique=True)

print(newarr)

注意: setxor1d() 方法接受一个可选参数 assume_unique,如果设置为 True,则可以加快计算速度。在处理集合时应始终将其设置为 True。

最后

为了方便其他设备和平台的小伙伴观看往期文章:

微信公众号搜索:Let us Coding,关注后即可获取最新文章推送

看完如果觉得有帮助,欢迎点赞、收藏、关注

相关推荐
朝九晚五ฺ41 分钟前
【Linux探索学习】第十四弹——进程优先级:深入理解操作系统中的进程优先级
linux·运维·学习
小喵要摸鱼43 分钟前
Python 神经网络项目常用语法
python
自由的dream1 小时前
Linux的桌面
linux
xiaozhiwise1 小时前
Makefile 之 自动化变量
linux
一念之坤2 小时前
零基础学Python之数据结构 -- 01篇
数据结构·python
wxl7812273 小时前
如何使用本地大模型做数据分析
python·数据挖掘·数据分析·代码解释器
NoneCoder3 小时前
Python入门(12)--数据处理
开发语言·python
LKID体3 小时前
Python操作neo4j库py2neo使用(一)
python·oracle·neo4j
意疏4 小时前
【Linux 篇】Docker 的容器之海与镜像之岛:于 Linux 系统内探索容器化的奇妙航行
linux·docker