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 - 三角函数

NumPy 三角函数

在数学中,三角函数用于将三角形的角度与其边长联系起来。最常见的三角函数是正弦 (sin)、余弦 (cos) 和正切 (tan),它们基于直角三角形。

这些函数在几何、物理和工程等各个领域都有用,尤其是在计算角度和距离方面。

NumPy 提供了几个函数,例如 sin()、cos() 和 tan(),用于计算角度数组的这些值。

正弦、余弦和正切函数

NumPy 中的基本三角函数包括正弦、余弦和正切。这些函数对数组进行逐元素运算,这意味着它们会应用于数组中的每个元素。三角函数通常应用于角度,并且角度通常以弧度表示。

例如,角的正弦是直角三角形中对边与斜边的比值。余弦是邻边与斜边的比值,正切是对边与邻边的比值。

示例:正弦、余弦和正切

在以下示例中,我们使用 NumPy 函数计算以弧度为单位的角度数组的正弦、余弦和正切 -

import numpy as np

# 定义一个以弧度为单位的角度数组
angles = np.array([0, np.pi/4, np.pi/2, np.pi])

# 计算正弦、余弦和正切
sine_values = np.sin(angles)
cosine_values = np.cos(angles)
tangent_values = np.tan(角度)

print("正弦值:", sine_values)
print("余弦值:", cosine_values)
print("正切值:", tangent_values)

以下是得到的输出 -

正弦值:[0.00000000e+00 7.07106781e-01 1.00000000e+00 1.22464680e-16]
余弦值:[ 1.00000000e+00  7.07106781e-01  6.12323400e-17 -1.00000000e+00]
正切值:[ 0.00000000e+00  1.00000000e+00  1.63312394e+16 -1.22464680e-16]
请注意,pi/2 的正切为无穷大,因为 pi/2 的余弦为零,而除以零是无定义的。

反三角函数

除了基本三角函数外,NumPy 还提供反三角函数,可用于根据三角比的值计算角度。这些函数包括反正弦函数(arcsine)、反余弦函数(arccosine)和反正切函数(arctangent)。

当你知道一个三角比的值并需要求出相应的角度时,反三角函数非常有用。

示例:反正弦、反余弦和反正切

在以下示例中,我们使用 NumPy 函数计算一组值的反正弦、反余弦和反正切 -

import numpy as np

# 定义一个数组,其中包含我们要计算反三角函数的值
values = np.array([0, 0.5, 1])

# 计算反正弦、反余弦和反正切正切
arcsine_values = np.arcsin(values)
arccosine_values = np.arccos(values)
arctangent_values = np.arctan(values)

print("反正弦值:", arcsine_values)
print("反余弦值:", arccosine_values)
print("反正切值:", arctangent_values)

我们得到如下所示的输出 −

反正弦值:[0.          0.52359878 1.57079633]
反余弦值:[1.57079633 1.04719755 0.         ]
反正切值:[0.0.46364761 0.78539816]

双曲三角函数

NumPy 还包含计算双曲三角函数的函数,这些函数类似于标准三角函数,但针对的是双曲线而不是圆。这些函数包括双曲正弦、余弦和正切。

双曲正弦和余弦函数与常规正弦和余弦函数类似,但使用指数函数进行计算。双曲正切是双曲正弦与双曲余弦的比值。

示例:双曲正弦、余弦和正切

在以下示例中,我们使用 NumPy 函数计算数组的双曲正弦、双曲余弦和双曲正切 -

import numpy as np

# 定义一个值数组
values = np.array([0, 1, 2])

# 计算双曲正弦、余弦和正切
sinh_values = np.sinh(values)
cosh_values = np.cosh(values)
tanh_values = np.tanh(values)

print("双曲正弦值:", sinh_values)
print("双曲余弦值:", cosh_values)
print("双曲正切值:", tanh_values)

执行上述代码后,我们得到以下输出 -

双曲正弦值:[0.1.17520119 3.62686041]
双曲余弦值:[1.          1.54308063 3.76219569]
双曲正切值:[0.           0.76159416 0.96402758]

带度数的三角函数

默认情况下,NumPy 中三角函数的输入以弧度为单位。但是,有时您可能希望使用度数而不是弧度。要在度数和弧度之间转换,可以使用 numpy.deg2rad() 函数和 numpy.rad2deg() 函数。

numpy.deg2rad() 函数将角度从度数转换为弧度,而 numpy.rad2deg() 函数将角度从弧度转换为度数。然后,您可以使用这些函数执行以度为单位的三角函数计算。

示例:使用以度为单位的三角函数

在本例中,我们首先将度转换为弧度,然后计算所得角度的正弦和余弦 -

import numpy as np

# 定义一个以度为单位的角度数组
angles_deg = np.array([0, 45, 90, 180])

# 将度转换为弧度
angles_rad = np.deg2rad(angles_deg)

# 计算正弦和余弦
sine_values = np.sin(angles_rad)
cosine_values = np.cos(angles_rad)

print("正弦值:", sine_values)
print("余弦值:", cosine_values)

我们得到如下所示的输出 −

正弦值:[0.00000000e+00 7.07106781e-01 1.00000000e+00 1.22464680e-16]
余弦值:[1.00000000e+00 7.07106781e-01 6.12323400e-17 -1.00000000e+00]

三角函数的应用

三角函数广泛应用于各个领域,尤其是在科学、工程和计算机图形学领域。它们有助于对周期性行为、振荡、波形和旋转进行建模。以下是一些应用示例:-

  • 信号处理:三角函数用于建模和分析声波、电磁波和其他周期性信号。
  • 物理学:在物理学中,三角函数用于描述波、圆周运动和谐振子的行为。
  • 计算机图形学:三角函数用于二维和三维变换、旋转和渲染。

函数列表

NumPy 有一个标准三角函数,可以返回以弧度为单位的角度的三角比。以下是它们的列表 -

序号 函数和说明
1 numpy.sin()

逐元素计算三角正弦。

2 numpy.cos()

逐元素计算余弦。

3 numpy.tan()

逐元素计算正切。

4 numpy.arcsin()

反正弦逐元素计算。

5 numpy.arccos()

逐元素计算三角函数反余弦。

6 numpy.arctan()

逐元素计算三角函数反正切。

7 numpy.arctan2()

逐元素计算圆弧正确选择象限求 x1/x2 的正切值。

8 numpy.hypot()

相当于逐元素 sqrt(x12 + x22),广播标量。

9 numpy.sinh()

逐元素求双曲正弦值。

10 numpy.cosh()

逐元素计算双曲余弦。

11 numpy.tanh()

逐元素计算双曲正切。

12 numpy.arcsinh()

逐元素计算反双曲正弦。

13 numpy.arccosh()

逐元素计算反双曲余弦。

14 numpy.arctanh()

逐元素计算反双曲正切。

15 numpy.deg2rad()

将角度从度数转换为弧度。

16 numpy.rad2deg()

将角度从弧度转换为度数。