numpy库
NumPy 库全面指南
NumPy (Numerical Python) 是 Python 科学计算的基础库,提供了高性能的多维数组对象和工具。以下是 NumPy 的核心功能和使用方法。
一、安装与基础
1. 安装 NumPy
bash
pip install numpy
2. 导入 NumPy
python
import numpy as np # 标准导入方式
二、数组创建
1. 基础数组创建
python
# 从列表创建
a = np.array([1, 2, 3]) # 一维数组
b = np.array([[1, 2], [3, 4]]) # 二维数组
# 特殊数组
zeros = np.zeros((3, 4)) # 全0数组
ones = np.ones((2, 3)) # 全1数组
empty = np.empty((2, 2)) # 未初始化数组
full = np.full((2, 2), 7) # 填充指定值
eye = np.eye(3) # 单位矩阵
2. 序列数组
python
# 等差数列
arr = np.arange(0, 10, 2) # [0, 2, 4, 6, 8]
# 等间距数列
lin = np.linspace(0, 1, 5) # [0. , 0.25, 0.5 , 0.75, 1. ]
# 对数间隔
log = np.logspace(0, 2, 3) # [ 1., 10., 100.]
3. 随机数组
python
# 均匀分布
rand = np.random.rand(2, 3) # 0-1随机数
# 正态分布
randn = np.random.randn(100) # 标准正态分布
# 随机整数
randint = np.random.randint(0, 10, size=5)
三、数组操作
1. 数组属性
python
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.ndim) # 维度: 2
print(arr.shape) # 形状: (2, 3)
print(arr.size) # 元素总数: 6
print(arr.dtype) # 数据类型: int32/int64
2. 索引与切片
python
arr = np.array([0, 1, 2, 3, 4, 5])
# 基本索引
print(arr[2]) # 2
print(arr[-1]) # 5
# 切片
print(arr[1:4]) # [1, 2, 3]
print(arr[::2]) # [0, 2, 4]
# 多维数组索引
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2d[1, 2]) # 6
print(arr2d[:, 1]) # [2, 5]
3. 形状操作
python
arr = np.arange(6)
# 改变形状
print(arr.reshape(2, 3))
# [[0 1 2]
# [3 4 5]]
# 展平数组
print(arr.flatten()) # [0 1 2 3 4 5]
# 转置
arr2d = np.arange(6).reshape(2, 3)
print(arr2d.T)
# [[0 3]
# [1 4]
# [2 5]]
四、数组运算
1. 数学运算
python
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
# 算术运算
print(a + b) # [5 7 9]
print(a * b) # [4 10 18]
print(a ** 2) # [1 4 9]
# 三角函数
print(np.sin(a))
# 对数运算
print(np.log(a))
2. 统计运算
python
arr = np.array([[1, 2], [3, 4]])
print(np.sum(arr)) # 10
print(np.mean(arr)) # 2.5
print(np.max(arr)) # 4
print(np.min(arr, axis=0)) # 每列最小值 [1, 2]
print(np.std(arr)) # 标准差
print(np.median(arr)) # 中位数
3. 广播机制
python
a = np.array([1, 2, 3])
b = 2
# 标量广播
print(a * b) # [2, 4, 6]
# 形状不同的数组广播
a = np.array([[1], [2], [3]])
b = np.array([4, 5, 6])
print(a + b)
# [[5 6 7]
# [6 7 8]
# [7 8 9]]
五、线性代数
1. 矩阵运算
python
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
# 矩阵乘法
print(np.dot(a, b))
# [[19 22]
# [43 50]]
# 矩阵转置
print(a.T)
# [[1 3]
# [2 4]]
# 行列式
print(np.linalg.det(a)) # -2.0
# 逆矩阵
print(np.linalg.inv(a))
# [[-2. 1. ]
# [ 1.5 -0.5]]
2. 解线性方程组
python
# 解方程组:
# 3x + y = 9
# x + 2y = 8
A = np.array([[3, 1], [1, 2]])
B = np.array([9, 8])
X = np.linalg.solve(A, B)
print(X) # [2. 3.]
六、、实用技巧
1. 布尔索引
python
arr = np.array([1, 2, 3, 4, 5])
# 条件筛选
print(arr[arr > 3]) # [4, 5]
print(arr[(arr > 2) & (arr < 5)]) # [3, 4]
2. 花式索引
python
arr = np.arange(12).reshape(3, 4)
# 使用索引数组
print(arr[[0, 2]]) # 第0行和第2行
print(arr[:, [1, 3]]) # 第1列和第3列
3.数组切割
python
import numpy as np
arr = np.arange(36).reshape(6,6)
print(arr)
'''[[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]
[12 13 14 15 16 17]
[18 19 20 21 22 23]
[24 25 26 27 28 29]
[30 31 32 33 34 35]]'''
arr1 = np.hsplit(arr,2)#水平
print(arr1)
'''[array([[ 0, 1, 2],
[ 6, 7, 8],
[12, 13, 14],
[18, 19, 20],
[24, 25, 26],
[30, 31, 32]]), array([[ 3, 4, 5],
[ 9, 10, 11],
[15, 16, 17],
[21, 22, 23],
[27, 28, 29],
[33, 34, 35]])]'''
arr2 = np.vsplit(arr,2)#竖直
print(arr2)
'''[array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17]]), array([[18, 19, 20, 21, 22, 23],
[24, 25, 26, 27, 28, 29],
[30, 31, 32, 33, 34, 35]])]'''
b = np.split(arr,2,axis=0)#0为水平,1为竖直,默认为1
print(b)
'''[array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17]]), array([[18, 19, 20, 21, 22, 23],
[24, 25, 26, 27, 28, 29],
[30, 31, 32, 33, 34, 35]])]'''
e = np.array_split(arr,2,1)
4.数组拼接
python
import numpy as np
arr = np.arange(9).reshape(3,3)
arr2 =arr*2
print(arr2)
arr3 = np.hstack((arr,arr2))#水平
print(arr3,'\n')
arr4 = np.vstack((arr,arr2))#竖直
print(arr4,end='\n')
arr6 = np.concatenate((arr,arr2),axis=0)#0为水平,1为竖直,默认为0
print(arr6,end='\n')
'''[[ 0 2 4]
[ 6 8 10]
[12 14 16]]#原数组
[[ 0 1 2 0 2 4]
[ 3 4 5 6 8 10]
[ 6 7 8 12 14 16]] #水平
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 0 2 4]
[ 6 8 10]
[12 14 16]]#竖直
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 0 2 4]
[ 6 8 10]
[12 14 16]]#
'''
5.读取文件
python
import numpy as np
# 读取简单文本文件
data = np.loadtxt('data.txt')
print(data)
# 指定分隔符(默认是任意空白字符)
data = np.loadtxt('data.csv', delimiter=',')
# 跳过标题行
data = np.loadtxt('data.txt', skiprows=1)
# 选择特定列
data = np.loadtxt('data.txt', usecols=(0, 2)) # 读取第1和第3列
# 指定数据类型
data = np.loadtxt('data.txt', dtype=np.float32)
6、数组排序
python
import numpy as np
arr = np.array([3, 1, 4, 2, 5])
sorted_arr = np.sort(arr)
print(sorted_arr) # 输出: [1 2 3 4 5]
arr = np.array([3, 1, 4, 2, 5])
arr = np.array([3, 1, 4, 2, 5])
indices = np.argsort(arr)
print(indices) # 输出: [1 3 0 2 4]
print(arr[indices]) # 输出: [1 2 3 4 5]
arr = np.array(['apple', 'banana', 'cherry', 'date'])
# 创建结构化数组
dtype = [('name', 'S10'), ('age', int), ('score', float)]
values = [('Alice', 25, 88.5), ('Bob', 32, 92.3), ('Charlie', 28, 85.0)]
arr = np.array(values, dtype=dtype)
# 按年龄排序
print(np.sort(arr, order='age'))
# [(b'Alice', 25, 88.5) (b'Charlie', 28, 85. ) (b'Bob', 32, 92.3)]
# 先按分数降序,再按年龄升序
print(np.sort(arr, order=['score', 'age']))
# [(b'Charlie', 28, 85. ) (b'Alice', 25, 88.5) (b'Bob', 32, 92.3)]
# 按字符串长度排序
print(np.sort(arr, key=lambda x: len(x)))
# ['date' 'apple' 'banana' 'cherry']
NumPy 是 Python 科学计算生态系统的基石,掌握 NumPy 将为学习 Pandas、SciPy、scikit-learn 等库打下坚实基础。