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
pip install numpy
导入 NumPy
通常会使用别名 np
来导入 NumPy:
python
import numpy as np
创建数组
1. 使用列表创建数组
python
arr = np.array([1, 2, 3])
print(arr)
# 输出: [1 2 3]
2. 多维数组
python
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
):pythonarr = np.zeros((2, 3)) print(arr) # 输出: # [[0. 0. 0.] # [0. 0. 0.]]
-
全一数组 (
ones
):pythonarr = np.ones((2, 3)) print(arr) # 输出: # [[1. 1. 1.] # [1. 1. 1.]]
-
空数组 (
empty
):pythonarr = np.empty((2, 3)) print(arr) # 输出: # [[0. 0. 0.] # 数值不确定 # [0. 0. 0.]]
-
等差数组 (
arange
):pythonarr = np.arange(0, 10, 2) print(arr) # 输出: [0 2 4 6 8]
-
等比数组 (
linspace
):pythonarr = np.linspace(0, 10, 5) print(arr) # 输出: [ 0. 2.5 5. 7.5 10. ]
-
随机数组 (
random.rand
):pythonarr = 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
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
arr = np.array([1, 2, 3], dtype=np.float32)
print(arr.dtype) # 输出: float32
3. 转换数据类型
python
arr = np.array([1, 2, 3])
arr = arr.astype(np.float32)
print(arr.dtype) # 输出: float32
4. 数组索引
python
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 1]) # 输出: 2
5. 数组切片
python
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, :2]) # 输出: [1 2]
6. 维度转换
python
arr = np.array([1, 2, 3])
arr = arr.reshape(3, 1)
print(arr)
# 输出:
# [[1]
# [2]
# [3]]
7. 数组连接
python
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
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
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
a = np.array([1, 2, 3])
b = 2
c = a * b
print(c)
# 输出: [2 4 6]
3. 统计函数
python
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
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
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
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 1]) # 输出: 2
2. 切片
python
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 1:3]) # 输出: [2 3]
3. 高级索引
python
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
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[arr > 3]) # 输出: [4 5 6]
2. where 函数
python
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
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
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
a = np.array([[1, 2], [3, 4]])
inv_a = np.linalg.inv(a)
print(inv_a)
# 输出:
# [[-2. 1. ]
# [ 1.5 -0.5]]