1.3 NumPy 的基本使用流程

1.3 NumPy 的基本使用流程

1.3 NumPy 的基本使用流程

NumPy (Numerical Python) 是 Python 中用于科学计算的基础包。它提供了一个高性能的多维数组对象 ndarray，以及用于处理这些数组的工具。NumPy 是许多其他科学计算库（如 SciPy、Pandas、Scikit-learn）的基础。

本节将详细介绍 NumPy 的基本使用流程，包括安装、导入、创建数组、数组属性、基本操作以及索引和切片。

1.3.1 安装 NumPy

在使用 NumPy 之前，需要先安装它。推荐使用 pip 包管理器进行安装：

pip install numpy
​

或者使用 conda：

conda install numpy
​

安装完成后，就可以在 Python 代码中导入 NumPy 了。

1.3.2 导入 NumPy

通常使用 import numpy as np 导入 NumPy，np 是 NumPy 的常用别名，方便后续使用。

import numpy as np
​

1.3.3 创建 NumPy 数组

NumPy 的核心是 ndarray 对象，它可以存储相同类型的元素，并且支持高效的数值运算。创建 NumPy 数组有多种方式：

1. 从 Python 列表或元组创建

可以使用 np.array() 函数从 Python 列表或元组创建 NumPy 数组。

# 从列表创建
list1 = [1, 2, 3, 4, 5]
arr1 = np.array(list1)
print(arr1)  # 输出: [1 2 3 4 5]
print(type(arr1)) # 输出: <class 'numpy.ndarray'>
# 从元组创建
tuple1 = (6, 7, 8, 9, 10)
arr2 = np.array(tuple1)
print(arr2)  # 输出: [ 6  7  8  9 10]
​

2. 使用 NumPy 内置函数创建

NumPy 提供了许多内置函数来创建特定类型的数组，例如：

• np.zeros()：创建全零数组。

• np.ones()：创建全一数组。

• np.empty()：创建未初始化数组（内容随机）。

• np.arange()：创建等差数组。

• np.linspace()：创建指定范围内的等间隔数组。

• np.random.rand()：创建随机数组(0-1之间的均匀分布)。

• np.random.randn()：创建随机数组(标准正态分布)。

• np.full(): 创建指定值的数组

# 创建全零数组
zeros_arr = np.zeros((2, 3))  # 创建一个 2x3 的全零数组
print("全零数组:\n", zeros_arr)
# 输出:
# 全零数组:
#  [[0. 0. 0.]
#   [0. 0. 0.]]
# 创建全一数组
ones_arr = np.ones((3, 2))  # 创建一个 3x2 的全一数组
print("全一数组:\n", ones_arr)
# 输出:
# 全一数组:
#  [[1. 1.]
#   [1. 1.]
#   [1. 1.]]
# 创建未初始化数组
empty_arr = np.empty((2, 2))  # 创建一个 2x2 的未初始化数组
print("未初始化数组:\n", empty_arr)
# 输出 (内容随机):
# 未初始化数组:
#  [[6.9e-310 6.9e-310]
#   [6.9e-310 6.9e-310]]
# 创建等差数组
arange_arr = np.arange(0, 10, 2)  # 创建一个从 0 到 10 (不包括 10) 步长为 2 的数组
print("等差数组:\n", arange_arr) # 输出: [0 2 4 6 8]
# 创建等间隔数组
linspace_arr = np.linspace(0, 1, 5)  # 创建一个从 0 到 1 (包括 1) 等间隔的 5 个元素的数组
print("等间隔数组:\n", linspace_arr) # 输出: [0.   0.25 0.5  0.75 1.  ]
# 创建随机数组(0-1之间的均匀分布)
rand_arr = np.random.rand(2,3)
print("随机数组（均匀分布）:\n", rand_arr)
# 创建随机数组(标准正态分布)
randn_arr = np.random.randn(2,3)
print("随机数组（正态分布）:\n", randn_arr)
# 创建指定值的数组
full_arr = np.full((2,3), 7)
print("指定值的数组:\n", full_arr)
​

3. 使用 np.reshape() 改变数组形状

可以改变数组的形状，但不改变数组的元素。

arr = np.arange(12)
reshaped_arr = arr.reshape(3, 4)  # 将一维数组变为 3x4 的二维数组
print("改变形状后的数组:\n", reshaped_arr)
# 输出:
# 改变形状后的数组:
#  [[ 0  1  2  3]
#   [ 4  5  6  7]
#   [ 8  9 10 11]]
​

1.3.4 数组属性

NumPy 数组具有许多有用的属性，可以帮助了解数组的结构和内容。

• ndim：数组的维度（轴）的数量。

• shape：数组的形状（每个维度的大小）。

• size：数组中元素的总数。

• dtype：数组中元素的数据类型。

• itemsize：数组中每个元素的大小（以字节为单位）。

arr = np.array([[1, 2, 3], [4, 5, 6]])
print("数组维度:", arr.ndim)  # 输出: 2
print("数组形状:", arr.shape) # 输出: (2, 3)
print("数组大小:", arr.size)  # 输出: 6
print("数据类型:", arr.dtype) # 输出: int64 (或 int32，取决于系统)
print("元素大小:", arr.itemsize) # 输出: 8 (或 4，取决于系统)
​

1.3.5 基本操作

NumPy 数组支持各种基本操作，包括算术运算、比较运算、逻辑运算等。这些操作通常是逐元素的。

1. 算术运算

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
# 加法
print("加法:\n", arr1 + arr2)
# 输出:
# 加法:
#  [[ 6  8]
#   [10 12]]
# 减法
print("减法:\n", arr1 - arr2)
# 输出:
# 减法:
#  [[-4 -4]
#   [-4 -4]]
# 乘法 (逐元素)
print("乘法:\n", arr1 * arr2)
# 输出:
# 乘法:
#  [[ 5 12]
#   [21 32]]
# 除法
print("除法:\n", arr1 / arr2)
# 输出:
# 除法:
#  [[0.2        0.33333333]
#   [0.42857143 0.5       ]]
# 矩阵乘法
print("矩阵乘法:\n", arr1 @ arr2) # 或者使用 arr1.dot(arr2)
# 输出:
# 矩阵乘法:
#  [[19 22]
#   [43 50]]
​

2. 比较运算

arr1 = np.array([1, 2, 3, 4, 5])
arr2 = np.array([3, 2, 1, 4, 6])
# 大于
print("大于:\n", arr1 > arr2) # 输出: [False False  True False False]
# 小于
print("小于:\n", arr1 < arr2) # 输出: [ True False False False  True]
# 等于
print("等于:\n", arr1 == arr2) # 输出: [False  True False  True False]
​

3. 逻辑运算

arr = np.array([True, False, True, False])
# 与
print("与:\n", np.logical_and(arr, True)) # 输出: [ True False  True False]
# 或
print("或:\n", np.logical_or(arr, False)) # 输出: [ True False  True False]
# 非
print("非:\n", np.logical_not(arr)) # 输出: [False  True False  True]
​

4. 通用函数 (ufunc)

NumPy 提供了大量的通用函数 (ufunc)，可以对数组进行逐元素的操作。 例如：np.sin(), np.cos(), np.exp(), np.log() 等。

arr = np.array([0, 1, 2, 3])
print("sin:\n", np.sin(arr))
print("exp:\n", np.exp(arr))
​

1.3.6 索引和切片

NumPy 数组的索引和切片与 Python 列表类似，但更加强大。

1. 一维数组

arr = np.array([10, 20, 30, 40, 50])
# 索引
print("索引:", arr[0])  # 输出: 10
print("索引:", arr[-1]) # 输出: 50
# 切片
print("切片:", arr[1:4]) # 输出: [20 30 40]
print("切片:", arr[:3])  # 输出: [10 20 30]
print("切片:", arr[3:])  # 输出: [40 50]
print("切片:", arr[:])   # 输出: [10 20 30 40 50]
​

2. 多维数组

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 索引
print("索引:", arr[0, 0]) # 输出: 1
print("索引:", arr[1, 2]) # 输出: 6
# 切片
print("切片:\n", arr[0:2, 1:3])
# 输出:
# 切片:
#  [[2 3]
#   [5 6]]
print("切片:\n", arr[:, 0]) # 获取所有行的第一列
# 输出:
# 切片:
#  [1 4 7]
print("切片:\n", arr[1, :]) # 获取第二行所有列
# 输出:
# 切片:
#  [4 5 6]
​

3. 布尔索引

可以使用布尔数组来选择数组中的元素。

arr = np.array([1, 2, 3, 4, 5])
bool_arr = arr > 2  # 创建一个布尔数组
print("布尔数组:\n", bool_arr) # 输出: [False False  True  True  True]
print("布尔索引:\n", arr[bool_arr]) # 使用布尔数组选择元素
# 输出:
# 布尔索引:
#  [3 4 5]
# 也可以直接使用条件表达式
print("条件索引:\n", arr[arr > 2]) # 输出: [3 4 5]
​

4. 花式索引

可以使用整数数组来选择数组中的元素。

arr = np.array([10, 20, 30, 40, 50])
index_arr = np.array([0, 2, 4])  # 创建一个索引数组
print("花式索引:\n", arr[index_arr]) # 使用索引数组选择元素
# 输出:
# 花式索引:
#  [10 30 50]
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
row_indices = np.array([0, 2])
col_indices = np.array([1, 2])
print("花式索引2D:\n", arr2d[row_indices, col_indices]) # 选取(0,1)和(2,2)
​

1.3.7 数组的拷贝与视图

理解 NumPy 数组的拷贝与视图至关重要，因为它们会影响对数组的修改。

• 视图 (View): 视图是指对原始数组的引用。修改视图会影响原始数组，反之亦然。 切片操作通常会创建视图。

• 拷贝 (Copy): 拷贝是指创建一个新的数组，其内容与原始数组相同。修改拷贝不会影响原始数组。 使用 arr.copy() 可以创建一个拷贝。

arr = np.array([1, 2, 3, 4, 5])
# 创建视图
view_arr = arr[1:4]
print("原始数组:\n", arr) # 输出: [1 2 3 4 5]
print("视图:\n", view_arr) # 输出: [2 3 4]
view_arr[0] = 100 # 修改视图
print("修改后的视图:\n", view_arr) # 输出: [100   3   4]
print("修改后的原始数组:\n", arr) # 输出: [  1 100   3   4   5]  原始数组也被修改
# 创建拷贝
copy_arr = arr.copy()
print("原始数组:\n", arr)
print("拷贝:\n", copy_arr)
copy_arr[0] = 200 # 修改拷贝
print("修改后的拷贝:\n", copy_arr) # 输出: [200 100   3   4   5]
print("修改后的原始数组:\n", arr) # 输出: [  1 100   3   4   5]  原始数组未被修改
​

1.3.8 流程总结

以下是使用 NumPy 的基本流程的总结：

1.3.9 总结

本节介绍了 NumPy 的基本使用流程，包括安装、导入、创建数组、数组属性、基本操作以及索引和切片。 掌握这些基本知识是使用 NumPy 进行科学计算的基础。 NumPy 提供了强大的数组操作功能和高效的数值运算，可以极大地简化和加速科学计算任务。 通过熟练掌握 NumPy，可以更高效地进行数据分析、机器学习、图像处理等领域的开发工作。