NumPy中的多维数组ndarray，使得我们可以将许多数据处理任务，表述为更加简洁的数组表达式，而无需编写Python循环。用数组表达式代替循环的做法通常称为向量化。
通常来说，向量化数组运算要比等价的纯Python方式快得多。本文就来结合之前已经介绍过的内容，对利用NumPy进行面向数组编程进行系统的介绍，并补充上关于通用函数ufunc的内容。
本文的主要内容有：
1、NumPy面向数组编程的核心特性
2、通用函数ufunc
3、自定义ufunc
NumPy面向数组编程的核心特性NumPy中提供了多种特性，用以支持面向数组编程，最终实现基于数组表达式，轻松实现各种科学计算的应用场景。
NumPy中关于面向数组编程的核心特性主要有：
1、N维数组对象（ndarray）
ndarray是一个多维数组，只能存储相同类型的数据，使得数组计算的向量化变得更加合理。
2、向量化（vectorization）
向量化是将操作应用于整个数组而不是单个元素的过程。
这种方法通常比使用Python循环更加简洁且高效，因为NumPy底层使用了C语言实现的优化代码。
3、广播（broadcasting）
广播是NumPy的一项强大功能，它突破了不同形状数组无法直接计算的限制。
对于符合相关规则的数组，NumPy会自动进行扩展，使得参与运算的数组各自扩展维相同的形状，减少了我们需要手动调整数组形状的工作量，大大提高了编码的效率。
4、通用函数（ufuncs）
NumPy提供了许多通用函数，用于对数组进行逐元素操作，比如各种数学运算、逻辑运算等。这些函数通常会作用域每个元素，效率很高。
关于以上这些特性，除了通用函数，其他内容在前面的文章中都已经详细介绍，感兴趣的同学，可以自行查阅历史文章。
接下来，就对通用函数的内容做一个系统的介绍。
通用函数ufunc在NumPy中，通用函数（Universal Function, ufunc）是一种能够对数组中的元素进行逐元素操作的函数。
它是NumPy中的核心特性之一，旨在高效地执行数组运算。
ufunc可以用于执行各种数学运算，比如加法、减法、乘法、除法等，以及更加复杂的操作。
ufunc的底层基于两个核心特性实现：
1、逐元素（element-by-element）操作，ufunc可以对输入数组的每个元素进行操作，并返回一个输出数组，输出数组的形状由输入数组的形状决定。
2、广播机制，ufunc依赖广播机制，可以实现对不同形状的数组进行逐元素的运算。
下面，通过代码简单演示下NumPy中的ufunc：
NumPy中提供的通用函数，根据参数，可以分为：一元通用函数和二元通用函数。
常见的一元通用函数有：
常用的二元通用函数有：
除了使用NumPy中内置的ufunc，我们也可以根据需要，自行创建ufunc。
NumPy中的np.frompyfunc()函数，可以支持我们将自定义函数转换为通用函数，从而实现逐元素计算的功能。
通过代码简单演示自定义ufunc的方法：
这里主要用到了np.frompyfunc()函数：
调用该函数时，依次传入的参数为：自定义的Python函数名、函数参数个数、函数返回值个数。
但是，使用np.frompyfunc()函数获得的ufunc返回的数组元素类型都是object，这点不太方便。
这一点，可以通过np.vectorize类来解决：
使用np.vectorize类进行包装，获取一个可调用对象，实现向量化操作。
通过代码简单演示一下：
但是，需要注意的是，相对于内置的通用函数，自定义的ufunc，会比较慢，因为在计算每个元素时，都要执行一次Python函数调用！
如果对自定义的ufunc的性能有所要求，可以尝试使用Numba库来进行进一步的性能提升。
下面同样通过代码简单演示下通过Numba库实现向量化的方法：
关于性能的对比，以及Numba库的使用，感兴趣的同学可以自行进行深入研究。
总结本文首先简单回顾了ndarray、向量化、广播的相关内容。然后，介绍了基于NumPy中的核心特性：ndarray、向量化、广播，以及ufunc实现面向数组编程的方法。最后介绍了内置ufunc的使用，以及如何自定义ufunc的3种方法。
以上就是本文的全部内容，感谢您的拨冗阅读！
