第一章：NumPy 简介与安装

第一章：NumPy 简介与安装

第一章：NumPy 简介与安装

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 等）的基础。

1.1 NumPy 的核心特性

NumPy 的核心特性包括：

• ndarray (N-dimensional array object): 一个快速且节省空间的多维数组，可以进行高效的向量化运算。

• 广播 (Broadcasting): 允许不同形状的数组进行算术运算。

• 集成 C/C++/Fortran 代码: 可以轻松地将 NumPy 集成到现有的 C/C++/Fortran 代码中，或者将 C/C++/Fortran 代码集成到 NumPy 中。

• 线性代数、傅里叶变换和随机数生成等功能: 提供了丰富的数学函数库。

简而言之，NumPy 提供了：

• 向量化运算： 避免显式循环，提高运算速度。

• 高效的内存使用： ndarray 对象以连续的内存块存储数据，优化了内存访问。

• 强大的数学工具： 满足科学计算的各种需求。

以下是一个简单的 Mermaid 图，展示 NumPy 在科学计算生态系统中的地位：

1.2 NumPy 的优势

与 Python 的列表相比，NumPy 数组在以下方面具有优势：

• 性能： NumPy 数组的运算速度更快，尤其是在处理大型数据集时。这是因为 NumPy 数组的元素类型是相同的，可以利用向量化运算和底层优化。

• 内存效率： NumPy 数组占用的内存更少，因为它们以连续的内存块存储数据。

• 功能： NumPy 提供了丰富的数学函数和工具，可以方便地进行各种科学计算。

1.3 NumPy 的应用领域

NumPy 被广泛应用于以下领域：

• 科学计算： 物理、化学、生物、工程等领域的数据分析和建模。

• 数据分析： 数据清洗、转换、统计分析和可视化。

• 机器学习： 算法开发、模型训练和评估。

• 图像处理： 图像的读取、处理和分析。

• 金融分析： 股票价格预测、风险管理等。

1.4 NumPy 的安装

NumPy 可以通过多种方式安装，最常用的方法是使用 pip 包管理器。

1.4.1 使用 pip 安装

打开终端或命令提示符，输入以下命令：

pip install numpy
​

如果你的环境中安装了多个 Python 版本，可能需要使用 pip3 命令：

pip3 install numpy
​

1.4.2 使用 Anaconda 安装

如果你使用的是 Anaconda 发行版，NumPy 通常已经预装。如果没有，可以使用以下命令安装：

conda install numpy
​

1.4.3 验证安装

安装完成后，可以在 Python 解释器中导入 NumPy 并查看版本信息，以验证安装是否成功：

import numpy as np
print(np.__version__)
​

如果成功打印出 NumPy 的版本号，则表示安装成功。

1.5 NumPy 的基本使用

1.5.1 导入 NumPy

在使用 NumPy 之前，需要先导入它。通常使用 np 作为 NumPy 的别名：

import numpy as np
​

1.5.2 创建 NumPy 数组

NumPy 提供了多种创建数组的方式。

• 从 Python 列表创建：

import numpy as np
# 从列表创建一维数组
arr1 = np.array([1, 2, 3, 4, 5])
print(arr1)  # 输出: [1 2 3 4 5]
# 从列表创建二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2)
# 输出:
# [[1 2 3]
#  [4 5 6]]
​

• 使用 NumPy 函数创建：

import numpy as np
# 创建一个全零数组
zeros_arr = np.zeros((2, 3))  # 2行3列的全零数组
print(zeros_arr)
# 输出:
# [[0. 0. 0.]
#  [0. 0. 0.]]
# 创建一个全一数组
ones_arr = np.ones((3, 2))  # 3行2列的全一数组
print(ones_arr)
# 输出:
# [[1. 1.]
#  [1. 1.]
#  [1. 1.]]
# 创建一个指定值的数组
full_arr = np.full((2, 2), 7)  # 2行2列，所有元素为7
print(full_arr)
# 输出:
# [[7 7]
#  [7 7]]
# 创建一个单位矩阵
eye_arr = np.eye(3)  # 3x3的单位矩阵
print(eye_arr)
# 输出:
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]
# 创建一个线性序列
arange_arr = np.arange(0, 10, 2)  # 从0到10（不包括10），步长为2
print(arange_arr)  # 输出: [0 2 4 6 8]
# 创建一个指定范围的线性序列
linspace_arr = np.linspace(0, 1, 5)  # 从0到1，均匀分布的5个元素
print(linspace_arr)  # 输出: [0.   0.25 0.5  0.75 1.  ]
# 创建一个随机数组
random_arr = np.random.rand(2, 3)  # 2行3列的随机数组，元素值在0到1之间
print(random_arr)
# 输出: (每次运行结果不同)
# [[0.123 0.456 0.789]
#  [0.987 0.654 0.321]]
​

1.5.3 数组的属性

NumPy 数组具有许多属性，可以用来获取数组的信息。

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
# 数组的形状
print(arr.shape)  # 输出: (2, 3)
# 数组的维度
print(arr.ndim)  # 输出: 2
# 数组的大小（元素个数）
print(arr.size)  # 输出: 6
# 数组的数据类型
print(arr.dtype)  # 输出: int64 (取决于系统)
# 数组的每个元素占用的字节数
print(arr.itemsize)  # 输出: 8 (int64占8个字节)
# 数组的总字节数
print(arr.nbytes)  # 输出: 48 (6个元素 * 每个元素8个字节)
​

1.5.4 数组的索引和切片

NumPy 数组的索引和切片与 Python 列表类似，但功能更强大。

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6])
# 索引
print(arr[0])  # 输出: 1
print(arr[-1])  # 输出: 6
# 切片
print(arr[1:4])  # 输出: [2 3 4]
print(arr[:3])  # 输出: [1 2 3]
print(arr[3:])  # 输出: [4 5 6]
print(arr[::2])  # 输出: [1 3 5]
# 多维数组的索引和切片
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2d[0, 0])  # 输出: 1
print(arr2d[1, 2])  # 输出: 6
print(arr2d[0:2, 1:3])
# 输出:
# [[2 3]
#  [5 6]]
# 使用布尔索引
bool_arr = arr > 3
print(bool_arr)  # 输出: [False False False  True  True  True]
print(arr[bool_arr])  # 输出: [4 5 6]
# 使用花式索引
fancy_arr = arr[[0, 2, 4]]
print(fancy_arr)  # 输出: [1 3 5]
​

1.5.5 数组的运算

NumPy 数组支持各种算术运算，包括加法、减法、乘法、除法等。这些运算都是逐元素进行的。

import numpy as np
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# 加法
print(arr1 + arr2)  # 输出: [5 7 9]
# 减法
print(arr2 - arr1)  # 输出: [3 3 3]
# 乘法
print(arr1 * arr2)  # 输出: [ 4 10 18]
# 除法
print(arr2 / arr1)  # 输出: [4.         2.5        2.        ]
# 标量运算
print(arr1 + 2)  # 输出: [3 4 5]
print(arr1 * 3)  # 输出: [3 6 9]
# 矩阵乘法
arr3 = np.array([[1, 2], [3, 4]])
arr4 = np.array([[5, 6], [7, 8]])
print(arr3 @ arr4)  # 输出矩阵乘法
# 输出:
# [[19 22]
#  [43 50]]
print(np.dot(arr3, arr4)) # 另一种矩阵乘法写法
# 输出:
# [[19 22]
#  [43 50]]
​

1.5.6 广播

广播 (Broadcasting) 是 NumPy 的一个强大特性，它允许不同形状的数组进行算术运算。NumPy 会自动扩展较小的数组，使其与较大的数组具有相同的形状。

import numpy as np
arr1 = np.array([1, 2, 3])
arr2 = np.array([[4], [5], [6]])
# arr1 的形状是 (3,)，arr2 的形状是 (3, 1)
# NumPy 会将 arr1 扩展为 (3, 3)，将 arr2 扩展为 (3, 3)，然后进行加法运算
print(arr1 + arr2)
# 输出:
# [[5 6 7]
#  [6 7 8]
#  [7 8 9]]
​

1.5.7 其他常用函数

NumPy 提供了许多其他常用的函数，例如：

• np.sum()：求和

• np.mean()：求平均值

• np.std()：求标准差

• np.max()：求最大值

• np.min()：求最小值

• np.argmax()：求最大值的索引

• np.argmin()：求最小值的索引

• np.reshape()：改变数组的形状

• np.transpose()：转置数组

• np.concatenate()：连接数组

• np.unique()：去除数组中的重复元素

1.6 总结

NumPy 是 Python 中用于科学计算的基础包，它提供了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 具有性能、内存效率和功能等方面的优势，被广泛应用于科学计算、数据分析、机器学习、图像处理和金融分析等领域。通过 pip 或 Anaconda 可以方便地安装 NumPy。掌握 NumPy 的基本使用方法，可以为后续的科学计算和数据分析打下坚实的基础。