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 arctan2() 函数

NumPy arctan2() 函数用于逐个元素计算两个数组 (y, x) 的反正切。

它返回 x 轴正向与平面上点 (x, y) 之间的夹角(以弧度为单位),计算公式为 arctan(y / x),但会适当处理两个参数的符号,以确定结果的正确象限。

此函数特别适用于计算从原点到点 (x, y) 的夹角。

  • 定义域:该函数接受两个分别表示 y 和 x 值的数组或标量作为输入。两个输入都可以是标量、数组或两者的组合。定义域为所有实数。
  • 范围:输出值在 [-, ] 范围内,角度可为正数或负数,具体取决于象限。

语法

以下是 NumPy arctan2() 函数的语法 -

numpy.arctan2(y, 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 -

  • y: y 坐标或数组y 值。此参数表示从原点到点 (x, y) 的垂直距离。
  • x: x 坐标或 x 值数组。此参数表示从原点到点 (x, y) 的水平距离。
  • 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类型转换。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' 表示如果输入均为 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 yx 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中对应元素对 (y, x) 的反正切值(以弧度为单位)。根据 x 和 y 值的符号计算角度,以确定正确的象限。

示例:arctan2() 函数的基本用法

在以下示例中,我们使用 arctan2() 函数计算两个一维数组中 (y, x) 值的反正切值 -

import numpy as np

# 为 y 和 x 创建两个一维数组
y = np.array([1, 1, -1, -1])
x = np.array([1, -1, 1, -1])

# 对每对 (y, x) 执行 arctan2 运算
result = np.arctan2(y, x)
print(result)

得到的输出为−

[ 0.78539816  2.35619449 -0.78539816 -2.35619449]

示例:不同形状数组的反正切

在此示例中,我们计算不同形状数组的反正切。 NumPy 会在执行操作之前广播数组,使其具有兼容的形状 -

import numpy as np

# 为 y 和 x 创建一维数组
y = np.array([1, 2, 3])
x = np.array([4, 5, 6])

# 对每对 (y, x) 执行 arctan2 运算
result = np.arctan2(y, x)
print(result)

这将产生以下结果 -

[0.24497866 0.38050638 0.46364761]

示例:标量反正切

本例中,我们计算一对标量值 (y, x) 的反正切 −

import numpy as np

# y 和 x 的标量值
y = 1
x = 1

# 对标量值应用 arctan2
result = np.arctan2(y, x)
print(result)

得到的输出为 −

0.7853981633974483

示例:负值的反正切

本例中,我们计算 y 和 x 的负值对的反正切。该函数根据 y 和 x 的符号返回与正确象限对应的角度 -

import numpy as np

# y 和 x 的负值
y = np.array([-1, -1, 1, 1])
x = np.array([-1, 1, -1, 1])

# 对每对 (y, x) 执行 arctan2 运算
result = np.arctan2(y, x)
print(result)

这将产生以下结果 -

[-2.35619449 -0.78539816  2.35619449  0.78539816]

numpy_trigonometric_functions.html