本文共 2073 字，大约阅读时间需要 6 分钟。

numpy库概述和安装

引言

Python中的列表虽然可以用来存储一组值，但在进行数值计算时效率较低且内存占用较高。这是因为列表需要存储每个元素的指针，而不是直接存储数值。为了弥补这一不足，Python提供了array模块，但其仅支持一维数组且没有丰富的运算功能。因此，numpy库的出现填补了这些空白，提供了高性能的N维数组（ndarray）对象，适合进行数值计算和数据分析。

numpy库的主要功能

numpy是Python中进行科学计算和数据分析的基础库，主要功能包括：

numpy库的应用场景

numpy广泛应用于以下领域：

numpy安装方法

安装numpy最简单的方法是通过pip工具。以下是详细的安装步骤：

python -m pip install --user numpy

--user选项表示安装在当前用户目录下，而不是系统目录。

numpy数组操作

ndarry概述

ndarray是numpy中最核心的数据结构，它支持存储同类型元素的多维数组。每个元素在内存中占据相同大小的区域，并通过dtype对象存储数据类型信息。与Python列表类似，ndarray支持通过索引或切片操作。

创建数组

最常用的方法是使用numpy.array()函数，它可以接受任何序列型对象并生成对应的numpy数组。支持嵌套序列创建多维数组。

import numpy as npa = [1, 2, 3, 4]b = np.array(a)# b的结果：array([1, 2, 3, 4])c = np.array([[1, 2], [3, 4]])# c的结果：[[1 2] [3 4]]

除了array()函数，还可以通过zeros()、ones()、empty()等函数创建特定形状或全零/全一的数组：

np.zeros(3)  # 全零一维数组：array([0., 0., 0.])np.ones(3)   # 全一一维数组：array([1., 1., 1.])np.zeros((3, 3))  # 全零二维数组：array([[0., 0., 0.], [0., 0., 0.], [0., 0., 0.]])np.identity(3)   # 单位矩阵：array([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])

随机数组创建

通过random子模块可以创建随机数组：

np.random.rand(5, 5)  # 0-1之间的随机数，5x5数组np.random.uniform(0, 100)  # 0-100之间的随机数np.random.randint(0, 50)  # 0-49之间的随机整数

数组属性

通过ndarray的属性可以获取数组信息：

• size：数组元素个数
• shape：数组形状
• ndim：数组维度
• dtype：数组元素类型
• itemsize：元素字节大小

import numpy as npx = np.array([(1, 2, 3), (4, 5, 6)])print(x.shape)  # (2, 3)print(x.reshape(3, 2))

数组与标量运算

数组运算的关键在于矢量化，通过批量运算避免循环：

arr = np.array([[1., 2., 3.], [4., 5., 6.]])arr / arr  # 结果：[[1. 0. 0.], [0. 1. 0.]]arr * arr  # 结果：[[1., 4., 9.], [16., 25., 36.]]

基本索引和切片

支持一维、二维及多维数组的切片操作：

arr = np.arange(10)arr[5:8] = 12arr  # [ 0, 1, 2, 3, 4, 12, 12, 12, 8, 9]

数学和统计方法

提供丰富的数学函数和统计方法：

• sum、mean、std、max、min等统计方法
• cumsum和cumprod进行累加和累积操作

arr = np.random.randn(5, 4)  # 5x4正态分布数组print(arr.mean())  # 平均值print(np.mean(arr))  # 平均值print(arr.sum())  # 所有元素的和print(arr.cumsum(0))  # 按行累加

通过以上内容可以看出，numpy库为Python提供了强大的数值计算和数据处理能力，是科学计算和数据分析的核心工具。

转载地址：http://tolg.baihongyu.com/