Python NumPy入门指南:数据处理科学计算的瑞士军刀

作者:唐叔在学习

专栏:唐叔学python
标签:Python NumPy、数据分析、科学计算、机器学习基础、数组操作、Python数据处理、人工智能基础、Python编程

摘要

NumPy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。本文唐叔将带你从零开始了解NumPy的核心概念、常用操作和实际应用场景,助你在数据分析、机器学习等领域快速上手。无论你是Python初学者还是想提升数据处理能力,这篇文章都将成为你的实用指南。

文章目录


一、NumPy是什么?为什么它如此重要?

各位小伙伴们好,我是唐叔!今天我们要聊的是Python科学计算领域的一个重量级选手------NumPy。

简单来说,NumPy(Numerical Python)是Python中用于科学计算的基础包。它提供了一个强大的N维数组对象,以及用于处理这些数组的各种工具。可以说,NumPy是Python数据科学生态系统的基石,几乎所有的机器学习框架(如TensorFlow、PyTorch)和数据分析库(如Pandas)都建立在NumPy之上。

为什么NumPy这么受欢迎?主要有三大原因:

  1. 性能强大:NumPy的底层是用C语言编写的,运算速度比纯Python快几个数量级
  2. 接口简单:提供了大量简洁高效的数组操作函数
  3. 生态完善:与SciPy、Matplotlib、Pandas等库完美配合

二、NumPy安装与基础使用

2.1 安装NumPy

安装NumPy非常简单,使用pip命令即可:

python 复制代码
pip install numpy

如果你使用的是Anaconda,它已经自带了NumPy,无需额外安装。

2.2 导入NumPy

按照惯例,我们通常这样导入NumPy:

python 复制代码
import numpy as np

这样我们就可以用np作为前缀来调用NumPy的各种功能了。

2.3 创建第一个NumPy数组

让我们创建一个简单的数组来感受一下:

python 复制代码
import numpy as np

# 创建一维数组
arr1 = np.array([1, 2, 3, 4, 5])
print(arr1)

# 创建二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2)

输出结果:

复制代码
[1 2 3 4 5]
[[1 2 3]
 [4 5 6]]

三、NumPy核心功能详解

3.1 数组属性

每个NumPy数组都有一些重要的属性:

python 复制代码
arr = np.array([[1, 2, 3], [4, 5, 6]])

print("数组维度:", arr.ndim)  # 2
print("数组形状:", arr.shape)  # (2, 3)
print("数组元素总数:", arr.size)  # 6
print("数组元素类型:", arr.dtype)  # int32或int64

3.2 创建特殊数组

NumPy提供了多种创建特殊数组的方法:

python 复制代码
# 创建全零数组
zeros = np.zeros((2, 3))

# 创建全1数组
ones = np.ones((3, 2))

# 创建单位矩阵
eye = np.eye(3)

# 创建等差数列
lin = np.linspace(0, 10, 5)  # [ 0.   2.5  5.   7.5 10. ]

# 创建随机数组
rand = np.random.rand(2, 2)

3.3 数组索引与切片

NumPy的索引和切片操作是数据处理的核心:

python 复制代码
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 获取单个元素
print(arr[1, 2])  # 6

# 获取一行
print(arr[1])  # [4 5 6]

# 获取一列
print(arr[:, 1])  # [2 5 8]

# 切片
print(arr[0:2, 1:3])
"""
[[2 3]
 [5 6]]
"""

3.4 数组运算

NumPy支持各种数学运算:

python 复制代码
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 加法
print(a + b)  # [5 7 9]

# 乘法(元素级)
print(a * b)  # [4 10 18]

# 点积
print(np.dot(a, b))  # 32

# 平方
print(a**2)  # [1 4 9]

# 平方根
print(np.sqrt(4))  # 2.0

# 求和
print(a.sum())  # 6.0

# 均值
print(a.mean())  # 2.0

# 三角函数
print(np.sin(a))

常见的数组运算见下表:

运算 符号 / 函数 例子
逐元素加 + a + b
逐元素乘 * a * b
矩阵乘 @np.dot a @ b.T
平方根 np.sqrt(a) 逐元素
求和 a.sum()a.sum(axis=0) 按列求和
均值 a.mean() ...

3.5 广播机制

NumPy的广播机制是其强大功能之一:

python 复制代码
a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.array([10, 20, 30])

# b会被广播到与a相同的形状
print(a + b)
"""
[[11 22 33]
 [14 25 36]]
"""

四、NumPy高级功能

4.1 数组变形

python 复制代码
arr = np.arange(6)  # [0 1 2 3 4 5]

# 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]

4.2 数组拼接与分割

python 复制代码
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])

# 垂直拼接
print(np.vstack((a, b)))
"""
[[1 2]
 [3 4]
 [5 6]]
"""

# 水平拼接
c = np.array([[7], [8]])
print(np.hstack((a, c)))
"""
[[1 2 7]
 [3 4 8]]
"""

# 数组分割
arr = np.arange(9).reshape(3, 3)
print(np.hsplit(arr, 3))  # 分成3个数组

4.3 统计函数

NumPy提供了丰富的统计函数:

python 复制代码
data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

print("平均值:", np.mean(data))
print("中位数:", np.median(data))
print("标准差:", np.std(data))
print("最大值:", np.max(data))
print("最小值:", np.min(data))
print("每列的和:", np.sum(data, axis=0))
print("每行的和:", np.sum(data, axis=1))

五、NumPy在实际项目中的应用

NumPy 在实际项目中,由于其内置的大量函数,使其在图像处理、机器学习数据预处理、数据计算处理等场景都有广泛使用。可以不夸张的说:搞AI、搞数据,NumPy是地基!

5.1 图像处理

NumPy数组可以用来表示图像:

python 复制代码
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np

# 读取图像为NumPy数组
img = np.array(Image.open('image.png'))

# # 显示图像
# plt.imshow(img)
# plt.show()
#
# # 转换为灰度图
# gray = np.mean(img, axis=2)
# plt.imshow(gray, cmap='gray')
# plt.show()

fig, (ax1, ax2) = plt.subplots(1, 2)
ax1.imshow(img)
gray = np.mean(img, axis=2)
ax2.imshow(gray, cmap='gray')
plt.show()

5.2 机器学习数据预处理

python 复制代码
# 特征标准化
data = np.random.rand(100, 5)  # 100个样本,5个特征

# 计算均值和标准差
mean = np.mean(data, axis=0)
std = np.std(data, axis=0)

# 标准化
normalized = (data - mean) / std

# 打乱数据顺序
np.random.shuffle(normalized)

5.3 数值计算

python 复制代码
# 解线性方程组
A = np.array([[2, 1], [1, 3]])
b = np.array([4, 5])
x = np.linalg.solve(A, b)  # [1.4, 1.2]

# 计算特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(A)
'''
[[-0.85065081 -0.52573111]
 [ 0.52573111 -0.85065081]]
'''

六、NumPy性能优化技巧

  1. 避免循环:尽量使用NumPy内置函数代替Python循环
  2. 使用视图而非副本:切片操作返回的是视图,不会复制数据
  3. 预分配内存:对于大型数组,先创建好再填充
  4. 使用适当的数据类型 :如np.float32np.float64节省内存
python 复制代码
import time
import numpy as np

n = 1_000_000

# 不好的做法
start = time.time()
result = []
for i in range(n):
    result.append(i**2)
result = np.array(result)
print("it cost: {}".format(time.time() - start))

# 好的做法
start = time.time()
result = np.arange(n)**2
 time.time()
result = np.arange(n)**2
print("it cost: {}".format(time.time() - start))

七、总结

NumPy作为Python科学计算的基石,提供了:

  1. 高效的多维数组对象
  2. 丰富的数学函数库
  3. 强大的广播机制
  4. 便捷的线性代数运算
  5. 与其它科学计算库的良好兼容性

掌握了NumPy,你就打开了Python数据科学的大门。无论是数据分析、机器学习还是科学计算,NumPy都是不可或缺的工具。希望这篇文章能帮助你快速上手NumPy,在数据处理的道路上越走越远!

最后提醒:学习NumPy最好的方式就是多练习!打开你的Python环境,跟着示例代码敲一遍,感受NumPy的强大魅力吧!


觉得有用的话,别忘了点赞收藏加关注!

往期文章推荐:

相关推荐
都叫我大帅哥13 分钟前
🧠 LangGraph状态管理:让AI工作流拥有“记忆”的超能力
python·langchain·ai编程
测试开发技术2 小时前
软件测试中,pytest 运行完成后,如何自动发送邮件?
开发语言·python·pytest·接口测试·面试题
测试19982 小时前
Pytest中实现自动生成测试用例脚本代码
自动化测试·软件测试·python·测试工具·测试用例·pytest·接口测试
让心淡泊1444 小时前
DAY 37 早停策略和模型权重的保存
python
批量小王子5 小时前
2025-08-09通过授权码的方式给exe程序充值
笔记·python
mortimer5 小时前
pydub下音频处理:跨越wav格式的4GB限制这道坎
python·ffmpeg·numpy
Dxy12393102166 小时前
Python合并两个PDF文件
python·pdf
OAFD.6 小时前
Matplotlib 入门到实战:从零开始学 Python 数据可视化
python·信息可视化·matplotlib