一文带你NumPy入个门吧~

NumPy是什么？

NumPy 的全称叫 Numerical Python ，它是 Python 科学计算最重要的基础包之一。很多提供科学计算的包都是基于 NumPy 之上建立的，著名的 pandas 也是。

NumPy 核心的数据结构叫 ND array ，也就是多维数组。和 Python 里的列表有点相似，但又不一样。NumPy 的多维数组比 Python 的列表更高效，因为它底层是用C语言编写的。

NumPy 在数据分析领域是一个热门工具，它可以用于数据整理、清洗、过滤、排序、转换和计算。NumPy 的数据类型需要统一，所以在进行大规模数学运算时它的执行效率会非常高。在做数据分析时，通常会对数值型和布尔型数据进行操作。如果数组中既有文本又有数字就不能进行算数运算了，而且NumPy 也会将整个数组的数据类型变成 object。

学习 NumPy 最重要掌握向量化、广播和通用函数。这些内容本文都会讲到。

安装并使用NumPy

安装 NumPy

使用以下命令安装 NumPy

pip install numpy

引入 NumPy

在使用 NumPy 之前，要先引入它。

import numpy as np

创建数组

手动传值

NumPy 的核心数据结构是多维数组，要创建数组可以用 array 方法。

array 函数能接收任意序列型的对象，然后生成一个包含传入数据的 NumPy 数组。

# 一维数组
arr = np.array([1, 2, 3])

# 二维数组
arr = np.array([[1, 2, 3],
                [4, 5, 6]])

多少维数组，数左边的方括号数量就知道了。

你也可以这么写。

data = [1, 2, 3]
arr = np.array(data)

除了上面这种手动传入值的方法，还可以用 NumPy 提供的方法创建特殊数组。

zeros: 全0数组

创建元素全为0的数组，可以用 zeros 方法

arr = np.zeros(6)
print(arr) # 输出：array([0., 0., 0., 0., 0., 0.])

如果你需要创建多维数组，且值全为0，可以这么做：

np.zeros((行数, 列数))

需要注意，此时 zeros 后面跟着2层括号。

arr = np.zeros((3, 4))
print(arr)

输出：
array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])

ones: 全1数组

创建元素全为1的数组，可以用 ones 方法

arr = np.ones(6)
print(arr) # 输出：array([1., 1., 1., 1., 1., 1.])

要使用 ones 创建多维数组，且值全为1，和 zeros 创建多维数组的语法是一样的。

np.ones((行数, 列数))

需要注意，在使用 zeros 和 ones 方法创建数组时，所有元素都是有小数点的，创建出来的元素都是浮点数。

empty: 空值数组

创建空值数组，可以使用 empty 方法

语法如下：

# 一维
np.empty(元素个数)

# 多维
np.empyt((行数, 列数))

arange: 范围数组

arange 是 NumPy 提供的一种快速创建数组的方法，它和 Python 的 range 有点像。

语法如下：

np.arange(起始值, 结束值, 步长)

举个例子，创建一个0~10，步长为2的数组。

arr = np.arange(0, 10, 2)
print(arr) # 输出：array([0, 2, 4, 6, 8])

arange 创建的数组是不包含结束值的。

如果你只传1个值也行，那数组的值会从0开始，到你指定的值结束（不包含指定值）。比如：

arr = np.arange(10)
print(arr) # 输出：array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

随机数多维数组

使用 np.random.randn(行数, 列数) 可以创建一个指定行数和列数，元素值为随机数的数组。

比如生成一个2行3列，值为随机数的数组。

arr = np.random.randn(2, 3)
print(arr)

输出：
array([[-1.40881835, 0.13351722, -1.46305705],
[-0.1046862 , 0.63644499, 0.4796577 ]])

访问数组元素

数字索引

访问 NumPy 数组元素的方法和 Python 访问列表元素的方法一样，都是使用“方括号”和“下标”进行访问。下标从0开始。

arr = np.array([1, 2, 3])
print(arr[1]) # 输出：2

如果要访问二维数组的某个元素，可以这样写：

arr = np.array([[10, 2, 3, 40],
               [50, 60, 7, 8]])
print(arr[0][3]) # 输出：40

访问多维数组也是同样原理。

NumPy 也支持切片的方式访问，切片需要传入一个起始索引（包含自身）和一个结束索引（不包含自身），两个索引之间用一个冒号分隔。

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
print(arr[1:4]) # 输出：[2 3 4]

多维数组的切片方法：

arr = np.array([[10, 2, 3, 40],
               [50, 60, 7, 8]])
print(arr[1:2, 1:2]) # 输出：60

既然能获取，那就能修改。

arr = np.array([1, 2, 3, 4])
arr[0] = 100
print(arr) # 输出：[100   2   3   4]

通过切片的方式获取到的元素，修改值时也会影响原数组的值。

布尔型索引

NumPy 的数组还支持布尔型索引。

arr1 = np.array([1, 2, 3, 4, 5])
arr2 = np.array([True, False, True, False, False])
print(arr1[arr2]) # 输出：[1 3]

布尔型索引的相关应用稍后会讲到。

向量化和广播

向量化和广播都是在解决“遍历”问题。

比如你需要让数组的每个元素值增加1，你可以直接用数组+1，不需要手动一个个元素进行遍历。这叫向量化。

NumPy 会将标量值传播到数组的各个元素。标量指的是一种数据类型，比如浮点型和字符串。

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

输出：
[[2 3 4 5]
[6 7 8 9]]

在处理两个形状相同的数组也是同样道理。

arr1 = np.array([[1, 2, 3, 4],
               [5, 6, 7, 8]])
arr2 = np.array([[10, 20, 30, 40],
               [50, 60, 70, 80]])
print(arr1 + arr2)

输出：
[[11 22 33 44]
[55 66 77 88]]

如果大小相同的数组做比较的话，会生成一个布尔值数组。

arr1 = np.array([[1, 20, 30, 4],
               [5, 6, 70, 80]])
arr2 = np.array([[10, 2, 3, 40],
               [50, 60, 7, 8]])
print(arr1 > arr2)

输出：
[[False True True False]
[False False True True]]

如果两个数组的形状不一样，NumPy 会自动将较小的数组扩展成较大数组的形状，这叫广播。

arr1 = np.array([10, 20, 30, 40])
arr2 = np.array([[10, 2, 3, 40],
               [50, 60, 7, 8]])
print(arr1 + arr2)

输出：
[[20 22 33 80]
[60 80 37 48]]

常用方法

接下来会讲一些 NumPy 的常用方法，包含大家说的“通用函数”。

ndim: 获取数组维度

前面提到可以通过数方括号的方式知道数组的维度，除此之外，NumPy 也提供了一个 ndim 属性可以获取数组维度。

arr1 = np.array([1, 2, 3])
arr2 = np.array([[1, 2, 3], [4, 5, 6]])

print(arr1.ndim) # 输出：1
print(arr2.ndim) # 输出：2

shape: 获取各个维度的元素的个数

使用 shape 可以获取数组各个维度的元素个数，并以元组的方式放回。

arr1 = np.array([1, 2, 3])
arr2 = np.array([[1, 2, 3], [4, 5, 6]])

print(arr1.shape) # 输出：(3,)。只有1个数值，表示arr1只有1个维度，第1维度有3个元素。
print(arr2.shape) # 输出：(2, 3)。有2个数值，表示arr2有2个维度，第一个维度有2个元素，第2个维度有3个元素。

size: 获取数组元素的总数

只要不是九漏鱼应该都知道 size 这个单词的意思。

arr1 = np.array([1, 2, 3])
arr2 = np.array([[1, 2, 3], [4, 5, 6]])

print(arr1.size) # 输出：3
print(arr2.size) # 输出：6

dtype: 返回数组元素的类型

使用 dtype 可以获取数组元素的数据类型。

arr1 = np.array([1., 2., 3.])
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
arr3 = np.array([True, False])

print(arr1.dtype) # 输出：float64
print(arr2.dtype) # 输出：int32
print(arr3.dtype) # 输出：bool

max(): 求最大值

使用 max() 方法可以求出数组元素的最大值，多维数组也可以。

arr1 = np.array([1., 2., 3.])
arr2 = np.array([[10, 20, 30], [4, 5, 6]])

print(arr1.max()) # 输出：3.0
print(arr2.max()) # 输出：30

min(): 求最小值

arr1 = np.array([1., 2., 3.])
arr2 = np.array([[10, 20, 30], [4, 5, 6]])

print(arr1.min()) # 输出：1.0
print(arr2.min()) # 输出：4

mean(): 求平均值

arr1 = np.array([1., 2., 3.])
arr2 = np.array([[10, 20, 30], [4, 5, 6]])

print(arr1.mean()) # 输出：2.0
print(arr2.mean()) # 输出：12.5

sum(): 求和

arr1 = np.array([1., 2., 3.])
arr2 = np.array([[10, 20, 30], [4, 5, 6]])

print(arr1.sum()) # 输出：6.0
print(arr2.sum()) # 输出：75

sort(): 排序

---

NumPy 提供了一个排序方法，用的时候需要 np.sort(数组) 这样用。

arr = np.array([10, 4, 2, 11, 3])
print(np.sort(arr)) # 输出：[ 2  3  4 10 11]
print(arr) # 输出：[10  4  2 11  3]

sorted(): 排序，Python内置方法

使用 sorted() 方法可以对数组进行排序，而且不会改变原数组。sorted() 是 Python 内置的排序方法。

arr = np.array([10, 4, 2, 11, 3])
print(sorted(arr)) # 输出：[2, 3, 4, 10, 11]
print(arr) # 输出: [10  4  2 11  3]

sorted() 方法第一个参数接收一个数组，默认是从小到大排序。

如果想从大到小排序，可以将 reverse 参数设置为 True。

arr = np.array([10, 4, 2, 11, 3])
print(sorted(arr, reverse=True)) # 输出：[11, 10, 4, 3, 2]

条件筛选

假如需要返回大于10的元素，可以这样写。

arr = np.array([10, 40, 2, 11, 3])
print(arr > 10) # 输出：[False  True False  True False]

此时会返回一个布尔类型的数组，我们再将这个数组用前面提到的“布尔型索引”方法就能获取到大于10的元素了。

arr = np.array([10, 40, 2, 11, 3])
print(arr[arr > 10]) # 输出：[40 11]

如果有多个筛选条件，我们需要使用 &（与） 和 |（或），不能用 Python 关键字 and 和 or。

比如我们要筛选出大于10且小于20的值，可以这样写：

arr = np.array([10, 40, 2, 11, 3])
print(arr[(arr > 10) & (arr < 20)]) # 输出：[11]

T: 轴对换

如果我们想将一个2行3列的数组变成3行2列，可以这样写：

arr = np.array([[10, 20, 30],
              [303, 202, 101]])
arr.T

返回：
array([[ 10, 303],
[ 20, 202],
[ 30, 101]])

---

---------------------------END---------------------------

题外话

感谢你能看到最后，给大家准备了一些福利！

感兴趣的小伙伴，赠送全套Python学习资料，包含面试题、简历资料等具体看下方。


👉CSDN大礼包🎁：全网最全《Python学习资料》免费赠送🆓！（安全链接，放心点击）

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python兼职渠道推荐*

学的同时助你创收，每天花1-2小时兼职，轻松稿定生活费.

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉CSDN大礼包🎁：全网最全《Python学习资料》免费赠送🆓！（安全链接，放心点击）

若有侵权，请联系删除