numpy的使用

NumPy是Python中用于科学计算的基础库，其核心是多维数组对象ndarray，支持高效的数值运算。以下是NumPy的核心用法总结：

1. 创建数组从列表/元组转换import numpy as np# 一维数组a = np.array([1, 2, 3]) # 列表转数组b = np.array((4, 5, 6)) # 元组转数组# 多维数组c = np.array([[1, 2], [3, 4]]) # 二维数组d = np.array([(1.5, 2), (3, 4)], dtype=np.float32) # 指定数据类型

关键参数：
dtype：指定数据类型（如np.int32、np.float64）。
ndmin：指定最小维度（如ndmin=2确保二维数组）。

使用NumPy原生方法

np.arange：生成等差数列。e = np.arange(0, 10, 2) # 步长为2：[0, 2, 4, 6, 8]
np.zeros/np.ones：生成全0或全1数组。f = np.zeros((2, 3)) # 2x3的全0数组g = np.ones((3,), dtype=np.int8) # 一维全1数组（int8类型）
np.random：生成随机数组。h = np.random.rand(2, 2) # 2x2的[0,1)均匀分布随机数

2. 数组属性与类型转换查看数组属性print(a.shape) # 数组形状：(3,)print(c.ndim) # 维度：2print(d.dtype) # 数据类型：float32类型转换i = a.astype(np.float64) # 转换为float64类型3. 数组操作基本运算x = np.array([1, 2])y = np.array([3, 4])print(x + y) # 逐元素相加：[4, 6]print(x * y) # 逐元素相乘：[3, 8]print(np.dot(x, y)) # 点积：1*3 + 2*4 = 11变形与拼接

reshape：改变形状（不改变数据）。j = np.arange(6).reshape(2, 3) # 2x3数组
vstack/hstack：垂直/水平拼接。k = np.vstack([x, y]) # 垂直堆叠：[[1, 2], [3, 4]]

随机抽样l = np.random.choice(10, size=5, replace=False) # 从0-9中不放回抽5个4. 数组索引与切片基础索引m = np.array([[1, 2, 3], [4, 5, 6]])print(m[0, 1]) # 第0行第1列：2print(m[:, 1:]) # 所有行，第1列到末尾：[[2, 3], [5, 6]]布尔索引mask = m > 3print(m[mask]) # 输出满足条件的元素：[4, 5, 6]5. 数学函数与代数运算通用函数（ufunc）n = np.array([-1, 0, 1])print(np.abs(n)) # 绝对值：[1, 0, 1]print(np.exp(n)) # 指数函数print(np.sqrt(np.abs(n))) # 复合运算线性代数o = np.array([[1, 2], [3, 4]])p = np.linalg.inv(o) # 矩阵求逆q = np.trace(o) # 迹：1 + 4 = 56. 高级功能

广播机制：不同形状数组的自动扩展运算。r = np.array([1, 2]) + np.array([[1], [2]]) # 结果为[[2, 3], [3, 4]]
文件读写：np.save('array.npy', a) # 保存数组loaded = np.load('array.npy') # 加载数组

总结

NumPy的核心优势在于：

高效的多维数组操作（如ndarray）。
丰富的数学函数库（如线性代数、随机数生成）。
与Python生态集成（如Pandas、SciPy依赖NumPy）。

通过掌握数组创建、索引、运算和函数应用，可以大幅提升科学计算效率。

您可能感兴趣问答

Collapsible

热门标签

热点问答