【Numpy】一文向您详细介绍 np.round()
 
下滑即可查看博客内容

🌈 欢迎莅临我的个人主页 👈这里是我静心耕耘深度学习领域、真诚分享知识与智慧的小天地！🎇

🎓 博主简介：985高校的普通本硕，曾有幸发表过人工智能领域的 中科院顶刊一作论文，熟练掌握PyTorch框架。

🔧 技术专长： 在CV、NLP及多模态等领域有丰富的项目实战经验。已累计提供近千次定制化产品服务，助力用户少走弯路、提高效率，近一年好评率100% 。

📝 博客风采： 积极分享关于深度学习、PyTorch、Python相关的实用内容。已发表原创文章500余篇，代码分享次数逾六万次。

💡 服务项目：包括但不限于科研辅导、知识付费咨询以及为用户需求提供定制化解决方案。

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

下滑即可查看博客内容

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

  

🔄 一、引言

  在数据处理的世界里，我们经常需要对数值进行四舍五入操作，以便更好地进行数据分析或可视化。Numpy库作为Python中最为重要的科学计算库之一，为我们提供了np.round()函数，该函数可以方便地对数组中的元素进行四舍五入操作。本文将通过详细的介绍和丰富的代码示例，带您深入了解np.round()函数的基础用法、进阶技巧以及在实际数据分析中的应用。

🔍 二、np.round() 的基础用法

  np.round()函数是Numpy库中用于对数组进行四舍五入操作的函数。它接受一个数组作为输入，并返回一个包含四舍五入后结果的数组。下面是一个简单的示例：

import numpy as np# 创建一个包含浮点数的一维数组
arr = np.array([1.23, 2.45, 3.67, 4.89, 5.1])# 使用np.round()函数对数组进行四舍五入
rounded_arr = np.round(arr)# 打印原始数组和四舍五入后的数组
print("原始数组:", arr)
print("四舍五入后的数组:", rounded_arr)

输出：

原始数组: [1.23 2.45 3.67 4.89 5.1 ]
四舍五入后的数组: [1. 2. 4. 5. 5.]

在上面的示例中，我们创建了一个包含浮点数的一维数组arr，然后使用np.round()函数对其进行四舍五入操作。可以看到，np.round()函数默认将数组中的元素四舍五入到最接近的整数。

🚀 三、np.round() 的进阶用法

  除了默认的四舍五入到最接近的整数外，np.round()函数还接受一个可选的decimals参数，用于指定要保留的小数位数。下面是一个示例：

# 创建一个包含浮点数的一维数组
arr = np.array([1.2345, 2.5678, 3.9876, 4.1234, 5.6789])# 使用np.round()函数对数组进行四舍五入，并保留两位小数
rounded_arr_2_decimals = np.round(arr, decimals=2)# 打印原始数组和保留两位小数后的数组
print("原始数组:", arr)
print("保留两位小数后的数组:", rounded_arr_2_decimals)

输出：

原始数组: [1.2345 2.5678 3.9876 4.1234 5.6789]
保留两位小数后的数组: [1.23 2.57 4.   4.12 5.68]

在上面的示例中，我们通过设置decimals=2，将数组中的元素四舍五入到保留两位小数。

此外，np.round()函数还可以对多维数组进行操作。下面是一个处理二维数组的示例：

# 创建一个二维数组
arr_2d = np.array([[1.123, 2.456, 3.789], [4.012, 5.345, 6.789]])# 使用np.round()函数对二维数组进行四舍五入，并保留一位小数
rounded_arr_2d_1_decimal = np.round(arr_2d, decimals=1)# 打印原始二维数组和保留一位小数后的二维数组
print("原始二维数组:")
print(arr_2d)
print("保留一位小数后的二维数组:")
print(rounded_arr_2d_1_decimal)

输出：

原始二维数组:
[[1.123 2.456 3.789][4.012 5.345 6.789]]
保留一位小数后的二维数组:
[[1.1 2.5 3.8][4.  5.3 6.8]]

🔄 四、np.round() 在数据分析中的应用

  在数据分析中，np.round()函数的应用非常广泛。例如，在处理价格数据时，我们经常需要将价格四舍五入到特定的位数，以便进行更准确的计算或展示。下面是一个在数据分析中使用np.round()函数的示例：

import numpy as np# 假设我们有一个包含商品价格的一维数组
prices = np.array([19.995, 24.567, 35.123, 48.987, 67.345])# 商家规定价格需要四舍五入到小数点后两位
rounded_prices = np.round(prices, decimals=2)# 打印原始价格和四舍五入后的价格
print("原始价格:", prices)
print("四舍五入后的价格:", rounded_prices)# 假设我们要计算这些商品的总价
total_price_original = prices.sum()
total_price_rounded = rounded_prices.sum()# 打印原始总价和四舍五入后的总价
print("原始总价:", total_price_original)
print("四舍五入后的总价:", total_price_rounded)

输出：

原始价格: [19.995 24.567 35.123 48.987 67.345]
四舍五入后的价格: [20.  24.57 35.12 48.99 67.35]
原始总价: 195.917
四舍五入后的总价: 195.93

  在上面的示例中，我们模拟了一个包含商品价格的一维数组，并使用np.round()函数将价格四舍五入到小数点后两位。然后，我们计算了原始价格的总价和四舍五入后价格的总价，以展示四舍五入操作对总价的影响。

💡 五、从 np.round() 看 Numpy 的设计哲学

  np.round()函数作为Numpy库中的一个函数，体现了Numpy的设计哲学。首先，Numpy提供了大量用于科学计算和数据分析的函数，这些函数功能强大且易于使用。其次，Numpy的函数通常都支持对数组进行操作，这使得在处理大规模数据时能够显著提高效率。最后，Numpy的函数通常都提供了丰富的参数选项，以满足不同用户的需求。

  在np.round()函数中，我们可以看到Numpy的这些设计哲学得到了很好的体现。首先，np.round()函数功能强大，能够方便地对数组中的元素进行四舍五入操作。其次，np.round()函数支持对多维数组进行操作，这使得在处理复杂数据时更加灵活。最后，np.round()函数提供了decimals参数选项，允许用户指定要保留的小数位数。

🌱 六、其他类似的Numpy函数

  除了np.round()函数外，Numpy库中还有许多类似的函数用于处理数组中的数值。下面列举几个常用的函数：

1. np.floor()：向下取整函数，返回不大于输入值的最大整数。

import numpy as nparr = np.array([1.23, 2.45, 3.67, 4.89, 5.1])
floored_arr = np.floor(arr)
print("向下取整后的数组:", floored_arr)

2. np.ceil()：向上取整函数，返回不小于输入值的最小整数。

import numpy as nparr = np.array([1.23, 2.45, 3.67, 4.89, 5.1])
ceiled_arr = np.ceil(arr)
print("向上取整后的数组:", ceiled_arr)

3. np.trunc()：截断函数，返回输入值的整数部分，忽略小数部分。

import numpy as nparr = np.array([1.23, 2.45, 3.67, 4.89, 5.1])
truncated_arr = np.trunc(arr)
print("截断后的数组:", truncated_arr)

  这些函数与np.round()函数类似，都是用于处理数组中的数值的。它们各有特点，可以根据实际需求选择使用。

🚀 七、总结与展望

  通过本文的介绍，我们深入了解了np.round()函数的基础用法、进阶技巧以及在实际数据分析中的应用。同时，我们还从np.round()函数出发，探讨了Numpy库的设计哲学和其他类似的函数。

  Numpy作为Python中最重要的科学计算库之一，为我们提供了丰富的数学函数和工具，可以极大地提高数据处理和科学计算的效率。np.round()函数作为Numpy库中的一个重要函数，不仅功能强大，而且易于使用，是我们在进行数据分析时不可或缺的工具之一。

  在未来的学习和工作中，我们将继续深入探索Numpy库的其他函数和工具，以更好地应对各种数据处理和科学计算任务。同时，我们也将关注Numpy库的不断更新和发展，学习最新的技术和方法，以不断提升自己的数据处理能力。

  最后，感谢Numpy库为我们提供了如此强大的工具，让我们在数据分析和科学计算的道路上越走越远。如果你对Numpy库或np.round()函数有任何疑问或建议，欢迎在评论区留言，我们将尽快回复并与你交流。