Python常用库-nump的使用

文章目录

- - [安装 NumPy](#安装 NumPy)
  - [导入 NumPy](#导入 NumPy)
  - 创建数组
  - - [1. 使用列表创建数组](#1. 使用列表创建数组)
    - [2. 多维数组](#2. 多维数组)
    - [3. 使用特殊函数](#3. 使用特殊函数)
  - 数组的基本操作
  - - [1. 数组形状和大小](#1. 数组形状和大小)
    - [2. 数据类型](#2. 数据类型)
    - [3. 转换数据类型](#3. 转换数据类型)
    - [4. 数组索引](#4. 数组索引)
    - [5. 数组切片](#5. 数组切片)
    - [6. 维度转换](#6. 维度转换)
    - [7. 数组连接](#7. 数组连接)
    - [8. 数组分割](#8. 数组分割)
  - 数学运算
  - - [1. 算术运算](#1. 算术运算)
    - [2. 广播机制](#2. 广播机制)
    - [3. 统计函数](#3. 统计函数)
    - [4. 最大最小值](#4. 最大最小值)
    - [5. 排序](#5. 排序)
  - 索引与切片
  - - [1. 索引](#1. 索引)
    - [2. 切片](#2. 切片)
    - [3. 高级索引](#3. 高级索引)
  - 条件操作
  - - [1. 条件选择](#1. 条件选择)
    - [2. where 函数](#2. where 函数)
  - 复杂操作
  - - [1. 矩阵乘法](#1. 矩阵乘法)
    - [2. 线性代数](#2. 线性代数)
    - [3. 矩阵的逆](#3. 矩阵的逆)

NumPy 是 Python 编程语言中一个非常强大的库，主要用于进行数值计算。它提供了一个高效的多维数组对象以及用于操作这些数组的工具。NumPy 的核心特性之一是它的 ndarray（n-dimensional array），这是一个同质数据类型的多维数组。

下面是一些关于 NumPy 使用的详细说明：

安装 NumPy

确保已经安装了 NumPy。可以通过 pip 来安装：

bash 复制代码

pip install numpy

导入 NumPy

通常会使用别名 np 来导入 NumPy：

python 复制代码

import numpy as np

创建数组

1. 使用列表创建数组

python 复制代码

arr = np.array([1, 2, 3])
print(arr)
# 输出: [1 2 3]

2. 多维数组

python 复制代码

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)
# 输出:
# [[1 2 3]
#  [4 5 6]]

3. 使用特殊函数

全零数组 (zeros):

python 复制代码

arr = np.zeros((2, 3))
print(arr)
# 输出:
# [[0. 0. 0.]
#  [0. 0. 0.]]

全一数组 (ones):

python 复制代码

arr = np.ones((2, 3))
print(arr)
# 输出:
# [[1. 1. 1.]
#  [1. 1. 1.]]

空数组 (empty):

python 复制代码

arr = np.empty((2, 3))
print(arr)
# 输出:
# [[0. 0. 0.]   # 数值不确定
#  [0. 0. 0.]]

等差数组 (arange):

python 复制代码

arr = np.arange(0, 10, 2)
print(arr)
# 输出: [0 2 4 6 8]

等比数组 (linspace):

python 复制代码

arr = np.linspace(0, 10, 5)
print(arr)
# 输出: [ 0.   2.5  5.   7.5 10. ]

随机数组 (random.rand):

python 复制代码

arr = np.random.rand(2, 3)
print(arr)
# 输出:
# [[0.912 0.544 0.365]   # 数值随机
#  [0.761 0.621 0.842]]

数组的基本操作

1. 数组形状和大小

python 复制代码

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape)  # 输出: (2, 3)
print(arr.size)   # 输出: 6

2. 数据类型

python 复制代码

arr = np.array([1, 2, 3], dtype=np.float32)
print(arr.dtype)  # 输出: float32

3. 转换数据类型

python 复制代码

arr = np.array([1, 2, 3])
arr = arr.astype(np.float32)
print(arr.dtype)  # 输出: float32

4. 数组索引

python 复制代码

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 1])  # 输出: 2

5. 数组切片

python 复制代码

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, :2])  # 输出: [1 2]

6. 维度转换

python 复制代码

arr = np.array([1, 2, 3])
arr = arr.reshape(3, 1)
print(arr)
# 输出:
# [[1]
#  [2]
#  [3]]

7. 数组连接

python 复制代码

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.concatenate((a, b))
print(c)
# 输出: [1 2 3 4 5 6]

8. 数组分割

python 复制代码

arr = np.array([1, 2, 3, 4, 5, 6])
newarr = np.split(arr, 3)
print(newarr)
# 输出: [array([1, 2]), array([3, 4]), array([5, 6])]

数学运算

1. 算术运算

python 复制代码

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = a + b
print(c)
# 输出: [5 7 9]

2. 广播机制

python 复制代码

a = np.array([1, 2, 3])
b = 2
c = a * b
print(c)
# 输出: [2 4 6]

3. 统计函数

python 复制代码

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.sum(arr))     # 输出: 21
print(np.mean(arr))    # 输出: 3.5
print(np.std(arr))     # 输出: 1.707825127659933

4. 最大最小值

python 复制代码

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.max(arr))  # 输出: 6
print(np.min(arr))  # 输出: 1

5. 排序

python 复制代码

arr = np.array([3, 1, 2])
sorted_arr = np.sort(arr)
print(sorted_arr)
# 输出: [1 2 3]

索引与切片

1. 索引

python 复制代码

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 1])  # 输出: 2

2. 切片

python 复制代码

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 1:3])  # 输出: [2 3]

3. 高级索引

python 复制代码

arr = np.array([[1, 2, 3], [4, 5, 6]])
rows = np.array([0, 1])
cols = np.array([1, 2])
print(arr[rows, cols])  # 输出: [2 6]

条件操作

1. 条件选择

python 复制代码

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[arr > 3])  # 输出: [4 5 6]

2. where 函数

python 复制代码

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.where(arr > 3, arr, -1))  # 输出: [[-1 -1 -1] [ 4  5  6]]

复杂操作

1. 矩阵乘法

python 复制代码

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.dot(a, b)
print(c)
# 输出:
# [[19 22]
#  [43 50]]

2. 线性代数

python 复制代码

a = np.array([[1, 2], [3, 4]])
b = np.array([5, 6])
x = np.linalg.solve(a, b)
print(x)
# 输出: [ -4.   4.5]

3. 矩阵的逆

python 复制代码

a = np.array([[1, 2], [3, 4]])
inv_a = np.linalg.inv(a)
print(inv_a)
# 输出:
# [[-2.   1. ]
#  [ 1.5 -0.5]]