本文共 2541 字，大约阅读时间需要 8 分钟。
NumPy 库详细介绍
NumPy（Numerical Python）是 Python 中用于科学计算的基础库之一，提供了强大的数组对象 ndarray 以及大量的数学函数。它是许多科学计算和数据分析库的基础，包括 Pandas、Matplotlib 和 TensorFlow 等。NumPy 高效地处理大型数据集和矩阵运算，支持矢量化运算，使得科学计算更加高效。
安装与导入
NumPy 可以通过 pip 安装：
pip install numpy
导入方式如下：
import numpy as np
NumPy 核心概念
2.1 ndarray 对象
NumPy 的核心对象是 ndarray，它是一种多维数组对象，支持矢量化的数学运算和高级索引。相比 Python 原生的列表，ndarray 在内存占用和计算效率上要高得多。
创建 ndarray 的常见方式有：
import numpy as np# 一维数组arr = np.array([1, 2, 3, 4, 5])# 二维数组（矩阵）arr2d = np.array([[1, 2, 3], [4, 5, 6]])# 三维数组arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
2.2 数组属性
ndarray 对象具有一些非常有用的属性，例如：
.shape：返回数组的维度（形状），例如 (3, 4) 表示 3 行 4 列。.ndim：返回数组的维度数。.size：返回数组的元素总数。.dtype：返回数组元素的数据类型。.itemsize：返回数组中每个元素的字节大小。arr = np.array([1, 2, 3])print(arr.shape) # 输出 (3,)print(arr.ndim) # 输出 1print(arr.size) # 输出 3print(arr.dtype) # 输出 int64
2.3 数组的索引与切片
NumPy 数组的索引和切片方法比 Python 原生的列表更加灵活，可以使用整数索引、切片、布尔索引和花式索引。
arr = np.array([10, 20, 30, 40])print(arr[2]) # 输出 30arr = np.array([1, 2, 3, 4, 5])print(arr[1:4]) # 输出 [2, 3, 4]arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])print(arr2d[1, 2]) # 输出 6print(arr2d[0:2, 1:3]) # 输出 [[2, 3], [5, 6]]arr = np.array([1, 2, 3, 4, 5])print(arr[arr > 2]) # 输出 [3, 4, 5]arr = np.array([1, 2, 3, 4, 5])print(arr[[0, 2, 4]]) # 输出 [1, 3, 5]
3.1 数组的数学运算
NumPy 提供了许多高效的数学运算，支持按元素操作和广播机制。
arr = np.array([1, 2, 3])arr2 = np.array([4, 5, 6])print(arr + arr2) # 输出 [5, 7, 9]print(arr * arr2) # 输出 [4, 10, 18]arr = np.array([1, 2, 3])arr2 = np.array([10])print(arr + arr2) # 输出 [11, 12, 13]arr = np.array([0, np.pi/2, np.pi])print(np.sin(arr)) # 输出 [0., 1., 0.]
3.2 聚合操作
NumPy 提供了许多聚合函数，用于计算数组的最大值、最小值、均值、标准差等。
arr = np.array([1, 2, 3, 4, 5])print(np.sum(arr)) # 输出 15print(np.mean(arr)) # 输出 3.0print(np.max(arr)) # 输出 5
3.3 数组的形状与重塑
arr = np.array([1, 2, 3, 4, 5, 6])reshaped = arr.reshape(2, 3)print(reshaped)
arr = np.array([[1, 2], [3, 4]])flat = arr.flatten()print(flat) # 输出 [1, 2, 3, 4]arr = np.array([[1, 2], [3, 4]])print(arr.T) # 输出 [[1, 3], [2, 4]]
3.4 线性代数操作
A = np.array([[1, 2], [3, 4]])B = np.array([[5, 6], [7, 8]])print(np.dot(A, B)) # 或 A @ BA = np.array([[1, 2], [3, 4]])inv_A = np.linalg.inv(A)print(inv_A)A = np.array([[4, -2], [1, 1]])eigenvalues, eigenvectors = np.linalg.eig(A)print("Eigenvalues:", eigenvalues)print("Eigenvectors:", eigenvectors) 3.5 随机数生成
arr = np.random.randint(1, 10, size=5)print(arr)arr = np.random.rand(3, 2)print(arr)arr = np.random.randn(2, 3)print(arr)
转载地址：http://pgjfk.baihongyu.com/