Python中如何使用NumPy库 科学计算中的数组操作技巧

NumPy是Python科学计算的核心库，通过ndarray对象实现高效数组操作。以下是关键技巧的总结：

• np.array()：从列表或元组创建数组，支持多维结构。import numpy as nparr = np.array([1, 2, 3]) # 一维数组arr_2d = np.array([[1, 2], [3, 4]]) # 二维数组
• 预分配内存：

  np.zeros((2, 3))：创建2行3列的全零数组。

  np.ones((2, 2))：创建全1数组。

  np.empty((3, 3))：创建未初始化的数组（值随机）。

• 等差/等间隔数组：

  np.arange(0, 10, 2)：生成0到10（不含）步长为2的数组。

  np.linspace(0, 1, 5)：生成0到1之间5个等间隔点。

• 随机数组：

  np.random.rand(2, 2)：生成0到1均匀分布的随机数组。

  np.random.randn(2, 2)：生成标准正态分布的随机数组。

• 基本索引：

  一维：arr[0]获取第一个元素。

  多维：arr_2d[1, 0]获取第二行第一列元素。

• 切片：

  一维：arr[1:4]获取索引1到3的元素。

  多维：arr_2d[:, 1:3]获取所有行的第2到3列。

• 布尔索引：arr = np.array([1, 2, 3, 4])mask = arr > 2print(arr[mask]) # 输出[3, 4]
• 花式索引：arr = np.array([10, 20, 30, 40])print(arr[[0, 2]]) # 输出[10, 30]

• 算术运算：直接对数组进行加减乘除等操作。a = np.array([1, 2, 3])b = np.array([4, 5, 6])print(a + b) # 输出[5, 7, 9]
• 比较运算：返回布尔数组。print(a > 2) # 输出[False, False, True]
• 逻辑运算：需使用&、|、~（避免与and/or混淆）。mask = (a > 1) & (a < 4)print(mask) # 输出[False, True, True]
• 通用函数（ufunc）：对每个元素应用数学函数。print(np.sin(a)) # 输出[0.8415, 0.9093, 0.1411]

广播机制允许不同形状的数组进行运算，规则如下：

1. 维度对齐：维度数小的数组在前补1。
2. 大小匹配：若某维度大小为1，则广播至另一数组的大小。
3. 错误触发：若维度大小既不相等也不为1，则报错。

示例：

通过numpy.linalg模块实现：

• 矩阵求逆：matrix = np.array([[1, 2], [3, 4]])inv_matrix = np.linalg.inv(matrix)
• 行列式：det = np.linalg.det(matrix) # 输出-2.0
• 特征值与特征向量：eigenvalues, eigenvectors = np.linalg.eig(matrix)
• 解方程组：A = np.array([[3, 1], [1, 2]])b = np.array([9, 8])x = np.linalg.solve(A, b) # 解为[2., 3.]
• 矩阵乘法：A = np.array([[1, 2], [3, 4]])B = np.array([[5, 6], [7, 8]])print(np.dot(A, B)) # 或使用A @ B

• 避免循环：优先使用向量化运算。
• 选择数据类型：通过dtype指定合适类型（如float32减少内存占用）。
• 利用广播：减少不必要的内存复制。
• 使用内置函数：如np.sum()、np.mean()等优化过的函数。
• 内存视图：通过切片操作避免数据复制。arr = np.array([1, 2, 3, 4])view = arr[1:3] # 内存视图，修改view会影响arr

• NumPy数组与Python列表的区别：

  数组存储同类型数据，列表可存储不同类型。

  数组内存连续存储，运算速度更快。

  数组提供数学函数支持，列表无。

• 形状（shape）与维度（ndim）：

  shape表示各维度大小（如(3, 4)），ndim表示轴数（如2）。

• 改变形状：

  reshape((2, 6))：需保证元素总数不变。

  flatten()：将多维数组展平为一维。

掌握这些技巧后，可高效处理数据分析、机器学习等任务中的数值计算问题。