通用函数（ufunc）
对数组应用 np.sqrt、np.abs、np.exp 和 np.log 等内置逐元素函数，无需编写循环。
通用函数（ufunc） 是 CoddyKit 上的免费 Pandas & NumPy Academy 课时。 这是第 1 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Pandas & NumPy Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Pandas & NumPy Academy 课程共包含 4 节课。
什么是 ufunc
通用函数（ufunc）会在快速编译型 C 中一次性对数组的每个元素执行数学运算，速度远快于 Python 循环。⚡
import numpy as np
a = np.array([1.0, 4.0, 9.0, 16.0])
print(np.sqrt(a)) # [1. 2. 3. 4.]
# Equivalent Python loop would be hundreds of times slower数学 ufunc：sqrt、exp、log
您熟悉的数学函数大多都是 ufunc：np.sqrt、np.exp、np.log 等。它们可以一次性应用于整个数组，并妥善处理边界情况。
import numpy as np
a = np.array([0.0, 1.0, 2.0, 3.0])
print(np.exp(a)) # [1. 2.718 7.389 20.086]
print(np.log(np.exp(a))) # [0. 1. 2. 3.]
print(np.log2(np.array([1, 2, 4, 8]))) # [0. 1. 2. 3.]三角函数 ufunc
NumPy 的三角函数 ufunc（如 np.sin 和 np.cos）要求角度使用弧度。请先使用 np.deg2rad 将角度转换为弧度。
import numpy as np
angles = np.array([0, 30, 60, 90])
rad = np.deg2rad(angles)
print(np.sin(rad).round(4)) # [0. 0.5 0.866 1. ]
print(np.cos(rad).round(4)) # [1. 0.866 0.5 0. ]np.abs、np.floor、np.ceil、np.round
进行舍入时，请使用 np.floor（向下）、np.ceil（向上）和 np.round（取最近值）。它们可以一次性清理整个数组中的浮点数。
import numpy as np
a = np.array([-2.7, 0.4, 1.5, 3.9])
print(np.abs(a)) # [2.7 0.4 1.5 3.9]
print(np.floor(a)) # [-3. 0. 1. 3.]
print(np.ceil(a)) # [-2. 1. 2. 4.]
print(np.round(a)) # [-3. 0. 2. 4.]np.maximum 和 np.minimum
np.maximum(a, b) 会从两个数组中逐位置选取较大的值，这与返回一个数字的 np.max 不同。np.maximum(a, 0) 就是 ReLU！
import numpy as np
a = np.array([-3, 1, 5, -2, 4])
b = np.array([0, 0, 3, 3, 3])
print(np.maximum(a, b)) # [0 1 5 3 4]
print(np.minimum(a, b)) # [-3 0 3 -2 3]
# ReLU
print(np.maximum(a, 0)) # [0 1 5 0 4]使用 np.clip 限制数值范围
np.clip 会将每个元素限制在指定范围内：过低的值会提升到最小值，过高的值会降低到最大值。它非常适合限制数值范围。
import numpy as np
a = np.array([0.1, 0.5, -0.2, 1.3, 0.9])
clipped = np.clip(a, 0.0, 1.0)
print(clipped) # [0.1 0.5 0. 1. 0.9]对多维数组使用 ufunc
ufunc 可以处理任意形状的数组。运算会分别作用于每个元素，结果保持相同形状，不需要重塑数组。
import numpy as np
m = np.array([[1.0, 4.0], [9.0, 16.0]])
print(np.sqrt(m))
# [[1. 2.]
# [3. 4.]]使用 out 参数提高内存效率
每个 ufunc 都接受 out= 参数，可以将结果写入您已有的数组。这样可以避免创建新数组，在紧凑且对内存敏感的循环中非常实用。
import numpy as np
a = np.array([1.0, 4.0, 9.0])
result = np.empty(3)
np.sqrt(a, out=result) # write directly into result
print(result) # [1. 2. 3.]np.add.reduce 和 .accumulate
每个 ufunc 都有一个 .reduce() 方法，可以合并所有元素（np.add.reduce 就是求和），还有 .accumulate() 方法可以计算累计值。
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(np.add.reduce(a)) # 15
print(np.add.accumulate(a)) # [ 1 3 6 10 15]
print(np.multiply.reduce(a)) # 120使用 np.frompyfunc 创建自定义 ufunc
np.frompyfunc 可以将任意 Python 函数转换为能够应用于数组的 ufunc。它比内置函数慢，因此适合用于快速原型开发。
import numpy as np
def clamp_positive(x):
return x if x > 0 else 0.0
vfunc = np.frompyfunc(clamp_positive, 1, 1)
a = np.array([-2, 3, -1, 5])
print(vfunc(a)) # [0.0 3 0.0 5] (object dtype)比较 ufunc 与 Python 循环
速度差距非常大：处理一百万个元素时，ufunc 的速度可能约为 Python 循环的 200 倍。在数值计算中，请始终优先考虑 ufunc。🚀
import numpy as np
import time
a = np.random.rand(1_000_000)
start = time.perf_counter()
np.sqrt(a)
print('ufunc:', round(time.perf_counter() - start, 4), 's')
start = time.perf_counter()
[x ** 0.5 for x in a]
print('loop:', round(time.perf_counter() - start, 4), 's')快速检查
检验您对本课 NumPy ufunc 内容的理解。
课程回顾
做得不错！ufunc 使用快速的 C 逐元素执行数学运算，涵盖 sqrt、exp、log 和三角函数，而 out= 参数可以节省内存。接下来学习聚合函数。
用 AI 导师学习 Python — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「通用函数（ufunc）」课时是免费的吗？
是的 — 「通用函数（ufunc）」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Pandas & NumPy Academy 课程的其余内容，请升级到 CoddyKit PRO。 Pandas & NumPy Academy 课程共包含 4 节课。
「通用函数（ufunc）」这节课中我会学到什么？
对数组应用 np.sqrt、np.abs、np.exp 和 np.log 等内置逐元素函数，无需编写循环。 你通过在浏览器中直接运行的动手代码来练习 Pandas & NumPy Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Pandas & NumPy Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Pandas & NumPy Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 1 节课，共 4 节。
「通用函数（ufunc）」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Pandas & NumPy Academy 课中编写并运行代码吗？
能。每节 Pandas & NumPy Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。