12. NumPy 数据分析与图像处理入门

NumPy 数据分析与图像处理入门

NumPy 不仅是科学计算和线性代数的重要工具，也是 数据分析与图像处理 的基础。依托其高效的数组操作、向量化计算和广播机制，我们能够快速处理表格数据、时间序列以及图像像素矩阵。本篇作为系列的收官篇，将展示 NumPy 在数据分析和图像处理中的实际应用。

本文将围绕以下几个方面展开：

NumPy 在数据分析中的常见应用
数据分析示例
图像处理的基本概念与数组表示
图像操作与增强实例

1. NumPy 在数据分析中的应用

在数据分析工作中，NumPy 是 Pandas、Matplotlib、Scikit-learn 等工具的底层支撑，常见用途包括：

数据清洗与预处理：筛选、缺失值处理
统计计算：均值、方差、分位数
大规模计算：借助向量化与广播提升效率
数据变换：标准化、归一化等

NumPy 的数组机制让复杂的数据处理更加简洁高效。

2. 简单数据分析示例

假设我们有一个学生成绩数组：

python 复制代码

import numpy as np

scores = np.array([[90, 85, 70],
                   [75, 80, 85],
                   [60, 70, 65],
                   [95, 90, 100]])

# 每位学生的平均成绩
student_avg = np.mean(scores, axis=1)
print("学生平均成绩:", student_avg)

# 每门课程的平均成绩
course_avg = np.mean(scores, axis=0)
print("课程平均成绩:", course_avg)

# 标准化处理
scores_std = (scores - course_avg) / np.std(scores, axis=0)
print("标准化后的成绩:\n", scores_std)

学生平均成绩: [81.66666667 80. 65. 95. ]

课程平均成绩: [80. 81.25 80. ]

标准化后的成绩:
$\[ 0.73029674 0.50709255 -0.73029674$ $-0.36514837 -0.16903085 0.36514837$ $-1.46059349 -1.52127766 -1.09544512$ $1.09544512 1.18321596 1.46059349\]$

这里，借助 NumPy 的统计函数和广播机制，我们能够轻松完成逐行、逐列运算，并实现标准化处理。

3. NumPy 在图像处理中的基础操作

图像本质上是一个多维数组：

灰度图像：二维数组（高度 × 宽度）
彩色图像：三维数组（高度 × 宽度 × 颜色通道）

常见操作包括：

读取和转换图像为数组
数组操作修改像素值
图像裁剪、旋转、翻转

python 复制代码

from skimage import data
import matplotlib.pyplot as plt

# 读取示例图片
img = data.astronaut()  # 彩色图像
print("图像形状:", img.shape)

# 显示原图
plt.imshow(img)
plt.axis("off")
plt.show()

图像形状: (512, 512, 3)

4. 图像处理示例

4.1 灰度化

python 复制代码

# 灰度化: RGB 加权平均
gray = img.mean(axis=2)
plt.imshow(gray, cmap='gray')
plt.show()

4.2 翻转

python 复制代码

# 垂直翻转
flip_vertical = img[::-1, :, :]
plt.imshow(flip_vertical)
plt.show()

4.3 裁剪

python 复制代码

# 裁剪中心区域
h, w = img.shape[:2]
crop = img[h//4:3*h//4, w//4:3*w//4, :]
plt.imshow(crop)
plt.show()

4.4 简单图像增强

python 复制代码

# 提高亮度
bright = np.clip(img + 50, 0, 255)  # 限制像素值在 [0,255]
plt.imshow(bright)
plt.show()

NumPy 数组操作可以直接修改像素矩阵，无需循环
与 Matplotlib、OpenCV 等库结合，可完成高级图像处理

5. 小结与系列回顾

在本篇文章中，我们展示了 NumPy 在 数据分析和图像处理 中的应用，包括：

借助向量化和广播机制实现高效数组运算
快速完成均值、方差、标准化等统计分析
将图像视作数组，轻松完成裁剪、翻转、增强等处理
与 Pandas、Matplotlib、Scikit-learn、OpenCV 等工具无缝衔接

至此，我们完成了 NumPy 系列教程（共 12 篇）。从环境安装、数组基础、数学与统计函数、随机数生成、线性代数与广播机制，到高效数据处理与图像处理，我们系统地掌握了 NumPy 的核心功能与实际应用。这套知识体系将为你进一步学习数据科学、机器学习和计算机视觉奠定坚实的基础。

learn、OpenCV 等工具无缝衔接

上一篇：11. NumPy 高效数据处理与优化