NumPy 教程

NumPy 首页 NumPy 简介 NumPy 环境

数组

NumPy Ndarray 对象 NumPy 数据类型

创建和操作数组

NumPy 数组创建例程 NumPy 数组操作 NumPy 基于现有数据创建数组 NumPy 基于数值范围创建数组 NumPy 数组迭代 NumPy 重塑数组 NumPy 连接数组 NumPy 堆叠数组 NumPy 拆分数组 NumPy 展平数组 NumPy 转置数组

索引与切片

NumPy 索引 &切片 NumPy 索引 NumPy 切片 NumPy 高级索引 NumPy 高级索引 NumPy 字段访问 NumPy 使用布尔数组切片

数组属性与操作

NumPy 数组属性 NumPy 数组形状 NumPy 数组大小 NumPy 数组步长 NumPy 数组元素大小 NumPy 广播 NumPy 算术运算 NumPy 数组加法 NumPy 数组减法 NumPy 数组乘法 NumPy 数组除法

高级数组运算

NumPy 交换数组的轴 NumPy 字节交换 NumPy 副本和视图 NumPy 逐元素数组比较 NumPy 过滤数组 NumPy 连接数组 NumPy 排序、搜索& 计数函数 NumPy 搜索数组 NumPy 数组并集 NumPy 查找唯一行 NumPy 创建日期时间数组 NumPy 二元运算符 NumPy 字符串函数 NumPy 矩阵库 NumPy 线性代数 NumPy Matplotlib NumPy 使用 Matplotlib 绘制直方图

排序和高级操作

NumPy 数组排序 NumPy 沿轴排序 NumPy 使用花式索引进行排序 NumPy 结构化数组 NumPy 创建结构化数组 NumPy 操作结构化数组 NumPy 记录数组 NumPy 加载数组 NumPy 保存数组 NumPy 将值附加到数组 NumPy 交换列数组 NumPy 将轴插入数组

处理缺失数据

NumPy 处理缺失数据 NumPy 识别缺失值 NumPy 移除缺失数据 NumPy 插补缺失值数据

性能优化

NumPy 使用数组进行性能优化

线性代数

NumPy 线性代数 NumPy 矩阵库 NumPy 矩阵加法 NumPy 矩阵减法 NumPy 矩阵乘法 NumPy 逐元素矩阵运算 NumPy 点积 NumPy 矩阵求逆 NumPy 行列式计算 NumPy 特征值 NumPy 特征向量 NumPy 奇异值分解 NumPy 求解线性方程 NumPy 矩阵范数

元素级矩阵运算

NumPy 总和 NumPy 平均值 NumPy 中位数 NumPy 最小值 NumPy 最大值

集合运算

NumPy 唯一元素 NumPy 交集 NumPy 并集 NumPy 差集

随机数生成

NumPy 随机数生成器 NumPy 排列和重排 NumPy 均匀分布 NumPy 正态分布 NumPy 二项分布 NumPy 泊松分布 NumPy 指数分布 NumPy 瑞利分布 NumPy 逻辑分布 NumPy 帕累托分布 NumPy 使用 Seaborn 可视化分布 NumPy 多项分布 NumPy 卡方分布 NumPy Zipf 分布

文件输入 &输出

NumPy 使用 NumPy 进行 I/O NumPy 从文件读取数据 NumPy 将数据写入文件 NumPy 支持的文件格式

数学函数

NumPy 数学函数 NumPy 三角函数 NumPy 指数函数 NumPy 对数函数 NumPy 双曲函数 NumPy 舍入函数

傅里叶变换

NumPy 离散傅里叶变换 (DFT) NumPy 快速傅里叶变换 (FFT) NumPy 逆傅里叶变换 NumPy 傅里叶级数和变换 NumPy 信号处理应用 NumPy 卷积

多项式

NumPy 多项式表示 NumPy 多项式运算 NumPy 求多项式的根 NumPy 求多项式的根

统计

NumPy 统计函数 NumPy 描述性统计

日期时间函数

NumPy 日期和时间基础知识 NumPy 表示日期和时间 NumPy 日期和时间运算 NumPy 使用日期时间进行索引 NumPy 时区处理 NumPy 时间序列分析 NumPy 处理时间增量 NumPy 闰秒处理 NumPy 矢量化日期时间运算

ufunc

NumPy ufunc 简介 NumPy 创建通用函数 (ufunc) NumPy 算术通用函数 (ufunc) NumPy 小数舍入 ufunc NumPy 对数通用函数(ufunc) NumPy 求和通用函数 (ufunc) NumPy 乘积通用函数 (ufunc) NumPy 差分通用函数 (ufunc) NumPy 寻找最小公倍数 (LCM) NumPy 寻找最大公约数 (GCD) NumPy 三角函数 (ufunc) NumPy 双曲线 (ufunc) NumPy 集合运算(ufunc)

实用资源

NumPy 快速指南 NumPy 备忘单


NumPy arccos() 函数

NumPy arccos() 函数用于计算输入数组中每个元素的反余弦值(反余弦值)。它计算输入值作为余弦值的角(以弧度为单位)。

  • 定义域:该函数接受介于 -1 和 1 之间的输入值(含 -1 和 1)。超出此范围的值将导致错误。
  • 范围:输出值位于 [0, ] 范围内,因为反余弦函数返回此范围内的角度。

语法

以下是 NumPy arccos() 函数的语法 -

numpy.arccos(x, /, out=None, where=True, casting='same_kind', order='K', dtype=None, subok=True[, signature, extobj])

参数

此函数接受以下参数 -

  • x: 输入数组或标量,应具有值在 [-1, 1] 范围内。该函数计算数组或标量每个元素的反余弦值。
  • out(可选): 存储结果的位置。如果提供,则必须具有输入广播到的形状。如果未提供或为 None,则返回一个新分配的数组。
  • where(可选): 此条件通过输入进行广播。在条件为 True 的位置,将计算结果。否则,结果将保留其原始值。
  • casting(可选): 控制可能发生的数据转换类型。默认为"same_kind"。
  • order(可选): 控制结果的内存布局顺序。 'C' 表示 C 阶,'F' 表示 Fortran 阶,'A' 表示如果输入全部为 F,则为 'F',否则为 'C','K' 表示尽可能匹配输入的布局。
  • dtype(可选): 返回数组的类型以及处理元素的累加器的类型。除非指定 dtype,否则默认使用 x 的 dtype。
  • subok(可选): 如果为 True,则将传递子类,否则返回的数组将被强制为基类数组。

返回值

此函数返回一个数组,其中每个元素都是输入数组 x 中相应元素的反余弦值(以弧度为单位)。

示例:arccos() 函数的基本用法

在下面的示例中,我们使用 arccos() 函数计算一维数组中每个元素的反余弦值 -

import numpy as np

# 创建一个值介于 -1 和 1 之间的一维数组
arr = np.array([-1, -0.5, 0, 0.5, 1])

# 对每个元素应用反余弦函数
result = np.arccos(arr)
print(result)

输出结果为 −

[3.14159265 2.0943951  1.57079633 1.04719755 0.         ]

示例:以度为单位的角度反余弦

在本例中,我们首先计算弧度的反余弦值,然后使用 numpy.degrees() 函数将结果转换为度数 −

import numpy as np

# 创建一个值介于 -1 和 1 之间的数组
values = np.array([-1, -0.5, 0, 0.5, 1])

# 计算弧度的反余弦
radians_result = np.arccos(values)

# 将弧度转换为度数
degrees_result = np.degrees(radians_result)
print(degrees_result)

这将产生以下结果 -

[180. 120.  90.  60.   0.]

示例:单个标量值的反余弦值

在本例中,我们使用 arccos() 函数计算单个标量值的反余弦值 -

import numpy as np

# 标量值
scalar = 0.5

# 对标量应用反余弦值
result = np.arccos(scalar)
print(result)

得到的输出为 -

1.0471975511965979

示例:处理超出范围的值值

在本例中,我们尝试计算有效范围 [-1, 1] 之外的值的反余弦值。这将引发运行时警告,并返回 NaN 值 -

import numpy as np

# 值超出有效范围的数组
arr_out_of_range = np.array([2, -1.5, 0])

# 对数组应用反余弦值
result = np.arccos(arr_out_of_range)
print(result)

这将产生以下结果并引发运行时警告 -

/home/cg/root/673ae90fcf07d/main.py:7: RuntimeWarning: invalid value encountered in arccos
  result = np.arccos(arr_out_of_range)
[       nan        nan 1.57079633]

numpy_trigonometric_functions.html