点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
Numpy 是一个强大的 Python 计算库。它提供了广泛的数学函数，可以对数组和矩阵执行各种操作。本文中将整理一些基本和常用的数学操作。
基本数学运算：Numpy 提供了许多基本数学函数，用于对数组执行加、减、乘、除等运算。这些函数包括 numpy.add()、numpy.subtract()、numpy.multiply() 和 numpy.divide()。线性代数函数：Numpy 还提供了许多线性代数函数，用于执行矩阵乘法、行列式和求逆等运算。这些函数包括 numpy.dot()、numpy.linalg.det() 和 numpy.linalg.inv()。统计和概率函数：Numpy 提供了许多统计和概率函数，用于执行均值、中位数、标准差和相关性等操作。这些函数包括 numpy.mean()、numpy.median()、numpy.std() 和 numpy.corrcoef()。三角函数和对数函数：Numpy 还提供了许多三角函数和对数函数，用于执行正弦、余弦、正切和对数等运算。这些函数包括 numpy.sin()、numpy.cos()、numpy.tan() 和 numpy.log()。
基本数学运算
我们将介绍基本的数学运算:
加法
使用numpy.add()逐个添加两个数组元素。例如，要添加两个数组a和b，可以使用以下代码:
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.add(a, b)
print(c) # Output: [5, 7, 9]
也可以使用+运算符:
c = a + b
print(c) # Output: [5, 7, 9]
减法
numpy.subtract()可用于从另一个元素中减去一个数组。例如，要从数组a中减去数组b，可以使用以下代码:
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.subtract(a, b)
print(c) # Output: [-3, -3, -3]
也可以使用-运算符:
c = a - b
print(c) # Output: [-3, -3, -3]
乘法
numpy.multiply()函数可用于按元素将两个数组相乘。例如，要将两个数组a和b相乘，可以使用以下代码:
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.multiply(a, b)
print(c) # Output: [4, 10, 18]
也可以使用*运算符:
c = a * b
print(c) # Output: [4, 10, 18]
要说明的一点是，这个是逐元素乘法，点积乘法使用dot，在后面会介绍。所以这个操作要求两个变量的维度相同，如果不同则会首先进行广播操作。
除法
numpy.divide()函数可用于将一个数组除以另一个元素。例如，要用数组a除以数组b，你可以使用以下代码:
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.divide(a, b)
print(c) # Output: [0.25, 0.4, 0.5]
也可以使用/运算符:
c = a / b
print(c) # Output: [0.25, 0.4, 0.5]
再次说明：上述所有函数都是在输入数组上以element wise的方式应用的，也就是逐元素方式，所以它们返回一个与输入形状相同的数组。
线性代数函数
最常见的是线性代数函数有
点积
numpy.dot()函数可用于计算两个数组的点积。例如，要计算两个1-D数组a和b的点积，可以使用以下代码:
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.dot(a, b)
print(c) # Output: 32
或者直接使用@操作符
c = a @ b
print(c) # Output: 32
矩阵乘法
numpy.matmul()函数可用于执行两个数组的矩阵乘法。例如，要执行两个2-D数组a和b的矩阵乘法，可以使用以下代码:
import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.matmul(a, b)
print(c)
# Output:
# [[19 22]
# [43 50]]
可以使用@运算符来执行矩阵乘法:
c = a @ b
print(c)
# Output:
# [[19 22]
# [43 50]]
转置
numpy.transpose()函数可用于转置数组。例如，要转置一个2-D数组a，你可以使用以下代码:
import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.transpose(a)
print(b)
# Output:
# [[1 3]
# [2 4]]
也可以直接使用.T属性来转置数组:
b = a.T
print(b)
# Output:
# [[1 3]
# [2 4]]
行列式
numpy.linalg.det()函数可用于计算正方形数组的行列式。例如，要计算二维数组a的行列式，可以使用以下代码:
import numpy as np
a = np.array([[1, 2], [3, 4]])
d = np.linalg.det(a)
print(d) # Output: -2.000000000000000
注意，输入数组必须是正方形数组，即它必须有相同的行数和列数。
逆
numpy.linalg.inv()函数可用于计算正方形数组的逆inverse 。例如，要计算一个2-D数组a的逆，你可以使用以下代码:
import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.linalg.inv(a)
print(b)
# Output:
# [[-2. 1. ]
# [ 1.5 -0.5]]
需要注意的是，输入数组必须是方阵，而且行列式必须非零。否则，numpy将引发LinAlgError。
以上就是我们常用的线性代数函数，还有更多函数来计算矩阵和数组上的线性代数运算，可以查看Numpy文档。
三角函数和对数函数
Numpy中包含了一些最常用的三角函数包括Numpy .sin()、Numpy .cos()、Numpy .tan()、Numpy .arcsin()、Numpy .arccos()、Numpy .arctan()或Numpy .log()。numpy.sin()的例子:
import numpy as np
a = np.array([0, 30, 45, 60, 90])
b = np.sin(a)
print(b)
# Output: [ 0. 0.5 0.70710678 0.8660254 1. ]
numpy.log计算自然对数是指数函数的倒数，因此log(exp(x)) = x。自然对数是以e为底的对数。
import numpy as np
np.log([1, np.e, np.e**2, 0])
#array([ 0., 1., 2., -Inf])
以上就是Numpy中常用的数学函数的总结，希望对你有所帮助，另外就是Numpy的文档非常详尽，如果你想寻找什么函数，可以直接进行查询：https://numpy.org/doc/
作者：Mario Rodriguez
下载1：OpenCV-Contrib扩展模块中文版教程 在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。 下载2：Python视觉实战项目52讲 在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。 下载3：OpenCV实战项目20讲 在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。 交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
