Numpy 基础

Numpy 基础

1. Numpy（Numerical Python）是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算。
   
2. 安装 NumPy 最简单的方法就是使用 pip 工具： pip install numpy
   
3. Numpy常用的导入格式：import numpy as np

一、创建数组对象

• 定义：在NumPy中，数组对象是一个多维的、同质的数值容器，称为 ndarray 对象。
• 创建数组：可以通过 numpy.array() 函数从Python列表或元组创建数组。
• array() 函数的格式为：
  

numpy.array(object, dtype = None, ndmin = None)

object :对象

dtype ：数据类型，可选

ndmin ：整数，指定生成数组的最小维度。

创建数组

import numpy as np
 # 从列表创建数组
arr = np.array([1, 2, 3, 4])  # 一维数组
arr2 = np.array([[1, 2], [3, 4]])  # 二维数组

使用函数创建数组

import numpy as np
zeros_arr = np.zeros((3, 4))  # 3行4列的全零数组
ones_arr = np.ones((2, 3))    # 2行3列的全1数组
empty_arr = np.empty((2, 2))  # 创建空数组（内容随机）
arange_arr = np.arange(0, 10, 2)  # 从0到10（不包括10），步长为2
linspace_arr = np.linspace(0, 10, 5)  # 在0到10之间生成5个等间距的数

二、数组的属性 (arr是某个数组的变量名)

• 形状：

arr.shape # 返回数组的维度，以元组类型输出

• 维度：

arr.ndim # 返回数组的维度数

• 数据类型：

arr.dtype # 返回数组中元素的数据类型

• 大小：

arr.size # 返回数组中元素的总数

三、数组的索引与切片

一维数组

import numpy as np
arr = np.array([10, 20, 30, 40, 50])
print(arr[0])       # 第一个元素：10
print(arr[-1])      # 最后一个元素：50
print(arr[1:4])     # 切片：20, 30, 40（左闭右开，不包含索引4）
print(arr[::2])     # 步长2：10, 30, 50（从0开始）
print(arr[1::2])    # 从索引1开始，步长2： 20, 40

多维数组

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 访问单个元素：行索引0，列索引2 → 3
print(arr[0, 2])    # 3
# 切片：取前两行，中间一列（列索引1）
print(arr[:2, 1])   # [2 5]
# 取所有行，第0和2列（注意用列表指定列）
print(arr[:, [0, 2]])
# 输出：
# [[1 3]
#  [4 6]
#  [7 9]]

布尔索引（关键：用布尔数组筛选元素）

import numpy as np
arr = np.array([10, 20, 30, 40, 50])
mask = arr > 25     # 生成布尔数组：[False, False, True, True, True]
print(arr[mask])    # [30 40 50]

# 复杂条件：同时满足>20且<50
print(arr[(arr > 20) & (arr < 50)])  # [30 40]（注意用&而非and）

花式索引（用整数数组指定索引）

import numpy as np
arr = np.array([[1, 2], [3, 4], [5, 6]])
rows = np.array([0, 2, 1])  # 行索引
cols = np.array([1, 0, 1])  # 列索引
print(arr[rows, cols])      # 按坐标(0,1),(2,0),(1,1)取值 → [2, 5, 4]

四、数组运算

算数运算（逐元素运算，无需循环）

import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b)    # [5 7 9]（对应元素相加）
# 二维矩阵乘法（需区分逐元素乘和矩阵乘）
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print(A * B)    
# 逐元素乘（Hadamard积）：
# [[ 5 12]
#  [21 32]]
print(A @ B)    
# 矩阵乘法（等价于np.dot(A, B)）：
# [[19 22]
#  [43 50]]

广播机制（自动扩展维度适配运算）

import numpy as np
# 一维数组与标量运算（标量视为形状(1,)的数组）
arr = np.array([1, 2, 3])
print(arr + 5)    # [6 7 8]（广播5为[5,5,5]）

# 二维数组与一维数组运算（列方向对齐）
matrix = np.array([[1, 2, 3], [4, 5, 6]])
vector = np.array([10, 20, 30])
print(matrix + vector)  
# 逐行加vector：
# [[11 22 33]
#  [14 25 36]]

比较运算（返回布尔数组）

import numpy as np
arr = np.array([10, 20, 30, 40])
print(arr > 25)    # [False False  True  True]
print(arr == 20)   # [False  True False False]

聚合函数（对数组元素进行统计）

import numpy as np
# 按轴聚合（以二维数组为例，axis=0为列，axis=1为行）
matrix = np.array([[1, 2], [3, 4]])
print(np.sum(matrix, axis=0))   # 列求和：[4, 6]
print(np.mean(matrix, axis=1))  # 行平均：[1.5, 3.5]

示例： arr=np.array ([1,3,5,7])

函数	说明	结果
np.sum()	求和	16
np.mean()	平均值	4
np.max()	最大值	7
np.min()	最小值	1
np.std()	标准差	2.5819889
np.argmax()	最大值索引	3

五、数组变形与维度操作

改变形状（不改变数据，返回新数组）

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6])
# 转为2行3列
reshaped_arr = arr.reshape((2, 3))
print(reshaped_arr)
# [[1 2 3]
#  [4 5 6]]
# 自动计算维度（-1表示自动推导）
auto_arr = arr.reshape((-1, 2))  # 3行2列（6/2=3）

展平数组（一维化）

import numpy as np
arr = np.array([[1, 2], [3, 4]])
flat_arr1 = arr.ravel()    # 展平，返回视图（与原数组共享数据）
flat_arr2 = arr.flatten()  # 展平，返回拷贝到新变量中（独立数据）

调整维度（增加 / 减少维度）

import numpy as np
arr = np.array([1, 2, 3])

# 增加维度：转为列向量（形状(3,1)）
col_vec = arr[:, np.newaxis]  # 等价于np.expand_dims(arr, axis=1)

# 减少维度：移除大小为1的维度
arr_3d = np.array([[[1], [2]]])
squeezed_arr = arr_3d.squeeze()  # 转为[1, 2]（形状从(1,2,1)变为(2,)）

转置（交换轴，常用于矩阵转置）

import numpy as np
matrix = np.array([[1, 2, 3], [4, 5, 6]])
transposed = matrix.T  # 转置，形状从(2,3)变为(3,2)

六、数组拼接与分割

拼接数组（concatenate，可指定轴）

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

# 按行拼接（axis=0，等价于vstack）
row_concat = np.concatenate((a, b), axis=0)
# [[1 2]
#  [3 4]
#  [5 6]
#  [7 8]]

# 按列拼接（axis=1，等价于hstack）
col_concat = np.concatenate((a, b), axis=1)
# [[1 2 5 6]
#  [3 4 7 8]]

分割数组（split，指定轴和分割点）

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])

# 按行平均分割为2部分（axis=0）
split_rows = np.split(arr, 2, axis=0)
# [array([[1, 2, 3],
#         [4, 5, 6]]),
#  array([[ 7,  8,  9],
#         [10, 11, 12]])]

# 按列指定位置分割（分割点[1,2]，分成3部分）
split_cols = np.split(arr, [1, 2], axis=1)
# [array([[ 1],
#         [ 4],
#         [ 7],
#         [10]]),
#  array([[ 2],
#         [ 5],
#         [ 8],
#         [11]]),
#  array([[ 3],
#         [ 6],
#         [ 9],
#         [12]])]

七、随机数生成：数据模拟必备

常用随机数函数

函数	说明	示例
np.random.rand()	生成 [0, 1) 区间内的均匀分布随机数，形状由参数指定	np.random.rand(2, 3) → 生成形状为 (2, 3) 的二维数组（元素在 0~1 之间）
np.random.randn()	生成标准正态分布（均值 0，标准差 1）的随机数	np.random.randn(5) → 生成包含 5 个服从 N(0, 1) 分布的一维数组
np.random.randint(low, high=None, size=None)	生成 [low, high) 区间内的随机整数，形状由 size 指定	np.random.randint(1, 10, size=(2, 2)) → 生成 2×2 数组，元素在 1~9 之间

设定随机种子（作用：保证结果固定）

np.random.seed(42)  # 固定种子，后续随机数相同
rand_arr = np.random.rand(3)  # 每次运行结果一致