几乎所有的numpy函数都在整个数组上运行,并且/或者可以被告知在特定的轴(行或列)上运行。
只要您可以根据作用在numpy数组或数组切片上的numpy函数来定义函数,您的函数将自动在整个数组,行或列上运行。
询问如何实现特定功能以获得更具体的建议可能会更有用。
Numpy提供np.vectorize和np.frompyfunc来将对数字进行操作的Python函数转换为对numpy数组进行操作的函数。
例如,
def myfunc(a,b):
if (a>b): return a
else: return b
vecfunc = np.vectorize(myfunc)
result=vecfunc([[1,2,3],[5,6,9]],[7,4,5])
print(result)
# [[7 4 5]
# [7 6 9]]
(当第二个数组较大时,第一个数组的元素将替换为第二个数组的相应元素。)
但是不要太兴奋;np.vectorize
并且np.frompyfunc
是只是语法糖。它们实际上并没有使您的代码更快。如果您的基础Python函数一次仅对一个值进行操作,则一次np.vectorize
将其馈入一个项,并且整个操作将非常缓慢(与使用numpy函数调用某些基础C或Fortran实现相比) 。
要计算x
小于数字的column元素个数y
,可以使用如下表达式:
(array['x']<y).sum()
例如:
import numpy as np
array=np.arange(6).view([('x',np.int),('y',np.int)])
print(array)
# [(0, 1) (2, 3) (4, 5)]
print(array['x'])
# [0 2 4]
print(array['x']<3)
# [ True True False]
print((array['x']<3).sum())
# 2