图解数组计算模块NumPy

1.初识NumPy

Numpy 是 Python 中一个非常重要的库，用于进行多维数组和矩阵的运算。它提供了丰富的 API 函数，可以对数据进行高效的维护和管理操作。

Numpy 中的数组和矩阵可以看作是一组数据的容器，你可以使用索引来访问和操作数组或矩阵中的元素。此外，Numpy 还提供了各种数学运算和数据处理函数，例如加减乘除、求和、求平均值、排序、查找等，可以帮助你快速完成各种数据分析和处理任务

2.安装NumPy

        1.使用 pip 包管理器安装 NumPy 。pip 是 Python 的包管理工具，可以方便地安装第三方库。在终端或命令提示符中运行以下命令来安装 NumPy ：

pip install numpy

         2.安装过程可能需要一些时间，具体时间取决于你的网络连接和安装速度。

        3.安装完成后，你可以在 Python 脚本中导入 NumPy 库并使用它。在 Python 交互式环境或脚本中运行以下代码来验证安装是否成功：

import numpy as np

如果没有出现错误提示，表示安装成功。

现在，你已经成功安装了 NumPy 库，可以开始使用它进行多维数组和矩阵的运算了。

注意：在安装 NumPy 之前，确保你已经安装了 Python，并将 pip 包管理器与 Python 环境关联起来。如果没有安装 Python 或 pip ，请先安装它们。

3.NumPy矩阵的基本操作

1.创建矩阵:你可以从原始的 Python 二维数组创建矩阵。

import numpy as np

array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
matrix = np.matrix(array)
print(matrix)

 2.获取元素：你可以使用索引来获取矩阵中的元素。

matrix = np.matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(matrix[0, 1])  # 返回第一行第二列的元素
print(matrix[1:3, :])  # 返回第二行到第三行的所有列
print(matrix[::2, 0])  # 返回从第一行到第二行的第一列里的所有元素

3.数据转换：你可以使用 transpose() 方法来进行数据转换。

matrix = np.matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(matrix.transpose())  # 将矩阵的行变为列，列变为行

4.统计计算：你可以使用 sum()、mean()、std() 等方法来进行统计计算。

matrix = np.matrix([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(matrix.sum(axis=0))  
print(matrix.mean(axis=1)) 

4.NumPy常用统计分析函数

NumPy算术函数包含简单的加、减、乘、除运算，如add()函数、sum()函数、multiply()函数和divide()函数。要注意的是，数组必须具有相同形式的形状或符合数组广播规则。

1.数学运算函数：

sin()函数：计算数组中每个元素的正弦值。

import numpy as np

arr = np.array([0.2, 0.3, 0.4, 0.5, 0.6])
sin_values = np.sin(arr)
print(sin_values)

cos()函数：计算数组中每个元素的余弦值。

import numpy as np

arr = np.array([0.2, 0.3, 0.4, 0.5, 0.6])
cos_values = np.cos(arr)
print(cos_values)

还有tan()函数：计算数组中每个元素的正切值；exp()函数：计算数组中每个元素的指数值；og()函数：计算数组中每个元素的自然对数等函数运算。

2.统计分析函数

统计分析函数是对整个NumPy数组或某条轴的数据进行统计计算。

求和sum()函数：用来计算数组中所有元素的和。

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
total_sum = np.sum(arr)
print(total_sum)

求平均值mean()函数：对数组元素求平均值、对数组元素按行求平均值和按列求平均值。

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
average = np.mean(arr)
print(average)

5.熟悉掌握NumPy模块的好处

1.效率提升：NumPy 为 Python 提供了一个强大的多维数组对象和一系列用于操作数组的函数，使得处理大型数据集和执行数值计算更加高效和便捷。

2.代码简洁：使用 NumPy 可以大大简化代码，减少循环和手动计算的工作量。它提供了很多高级函数，能够在一行代码中完成复杂的计算操作。

3.性能优势：NumPy 底层使用了向量化和并行化技术，能够利用 CPU 或 GPU 的硬件特性进行加速，从而在处理大规模数据时表现出优异的性能。

4.数据处理能力：NumPy 使得对数组进行切片、聚合、排序、过滤等操作变得非常容易，提供了丰富的数据处理功能。

5.可视化支持：结合其他数据可视化库（如 matplotlib），NumPy 可以用于数据可视化，帮助我们更好地理解和呈现数据。