Python的Numpy库应用入门（超详细教程）

最新推荐文章于 2025-03-30 14:29:30 发布
最新推荐文章于 2025-03-30 14:29:30 发布
阅读量3.2k 收藏 56
点赞数 47
分类专栏： Python入门级超详细教学 文章标签： python 开发语言 numpy 基础知识 运算函数 数组 索引
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Z0412_J0103/article/details/144840505
版权

目录

一、配置环境

1.1 检查是否有pip库

1.2 安装Numpy库

二、数组

2.1 生成一维数组

2.2  生成二维数组

2.3 查看数组形状

2.4 查看数组维度 

2.5 全零数组

2.6 全1数组

2.7 单位矩阵

 2.8 指定数据类型

三、索引

3.1 获取元素

3.2 重新赋值

3.3 获取行数据

3.4 获取列数据

3.5 获取某一部分

3.6 布尔值索引

3.7 获取奇数项

3.8 公式获取奇数项

3.9 np.where

3.10 偶数不变，奇数翻倍

3.11 转置

3.12 轴转换

四、运算函数 

4.1 均值

4.2 和

4.3 累加和

4.4 标准差

4.5 方差

4.6 最大值

4.7 最小值 

4.8 正态分布的随机矩阵

4.9 随机排序

4.10 均匀分布的随机数矩阵

4.11 固定范围内随机整数 

4.12 保存数据

4.13 导入数据

4.14 压缩数据 

        Python第三方库是由Python社区或其他开发者创建并维护的，扩展Python标准库功能的软件包或模块，它们提供了丰富的工具和功能，涵盖了从Web开发到数据科学、机器学习、图像处理等各个领域，使得开发工作更加高效和便捷。

一、配置环境

1.1 检查是否有pip库

在PyCharm的底部找到并打开“Terminal”选项卡。

在终端中输入命令：

 pip --version 或 pip list

如果pip已安装，你将看到pip的版本信息或已安装的库列表。如果提示“pip不是内部或外部命令”，则可能pip未安装或未正确配置。

1.2 安装Numpy库

安装NumPy的指令主要取决于你使用的Python环境和包管理工具 

在命令行或终端运行以下代码：

pip install numpy

安装成功后的展示图如下：

再检查是否安装完成： 

pip show numpy

二、数组

利用NumPy库可以生成多种形式的数组

2.1 生成一维数组

import numpy as np

A = np.array([1, 2, 3])
print(A)

2.2  生成二维数组

import numpy as np

A = np.array([[1, 2, 3],[4, 5, 6]])
print(A)

2.3 查看数组形状

import numpy as np

A = np.array([[1, 2, 3],[4, 5, 6]])
print(A.shape)

2.4 查看数组维度 

import numpy as np

A = np.array([[1, 2, 3],[4, 5, 6]])
print(A.ndim)

2.5 全零数组

import numpy as np

print(np.zeros((2,3)))

2.6 全1数组

import numpy as np

print(np.ones((2,3)))

2.7 单位矩阵

import numpy as np

print(np.eye(3,3))

 2.8 指定数据类型

import numpy as np
from numpy import dtype

A1 = np.array([[1, 2, 3],[4, 5, 6]], dtype = np.float64)
A2 = np.array([[7, 8, 9],[10, 11, 12]], dtype = np.float32)
A3 = np.array([[13, 14, 15],[16, 17, 18]], dtype = np.int32)
print(A1.dtype)
print(A2.dtype)
print(A3.dtype)

变换数据类型 

import numpy as np
from numpy import dtype

A1 = np.array([[1, 2, 3],[4, 5, 6]], dtype = np.float64)
A2 = np.array([[7, 8, 9],[10, 11, 12]], dtype = np.float32)
A3 = np.array([[13, 14, 15],[16, 17, 18]], dtype = np.int32)
B1 = A1.astype(np.int32)
B2 = A2.astype(np.int8)
B3 = A3.astype(np.float32)
print(B1.dtype)
print(B2.dtype)
print(B3.dtype)

三、索引

        索引是数组中数据的编号方式，通过索引可以访问、获取或修改数组中的对应元素。在大多数编程语言中，数组的索引是从0开始的连续整数序列。 

3.1 获取元素

import numpy as np
from numpy import dtype

A = np.arange(9).reshape((3,3))
print(A)
print("索引获取的元素：",A[1, 2])

3.2 重新赋值

import numpy as np
from numpy import dtype

A = np.arange(9).reshape((3,3))
print(A)
A[1, 2] = 10
print(A)

3.3 获取行数据

import numpy as np
from numpy import dtype

A = np.arange(9).reshape((3,3))
print(A[1, :])

3.4 获取列数据

import numpy as np
from numpy import dtype

A = np.arange(9).reshape((3,3))
print(A[:, 1])

3.5 获取某一部分

import numpy as np
from numpy import dtype

A = np.arange(9).reshape((3,3))
print(A[0:3, 1:3 ])

3.6 布尔值索引

import numpy as np
from numpy import dtype

A = np.arange(9).reshape((3,3))
print(A)
index = A % 2 == 1
print(index)

3.7 获取奇数项

import numpy as np
from numpy import dtype

A = np.arange(9).reshape((3,3))
print(A)
index = A % 2 == 1
print(A[index])

3.8 公式获取奇数项

import numpy as np
from numpy import dtype

A = np.arange(9).reshape((3,3))
print(A)
print(A[A % 2 == 1])

3.9 np.where

import numpy as np
from numpy import dtype

A = np.arange(9).reshape((3,3))
print(A)
a, b = np.where(A % 2 == 0)
# 行索引
print(a)
# 列索引
print(b)
# 数组索引
print(A[a, b])

3.10 偶数不变，奇数翻倍

import numpy as np
from numpy import dtype

A = np.arange(9).reshape((3,3))
print(A)
print(np.where(A % 2 == 0, A, A * 2))

3.11 转置

如果数组是2*3，则会转置为3*2的数组，行变列、列变行

import numpy as np
from numpy import dtype

A = np.arange(9).reshape((3,3))
print(A)
print(A.T)

3.12 轴转换

import numpy as np
from numpy import dtype

A = np.arange(24).reshape(2, 3, 4)
print(A.shape)
B = A.transpose((2, 1, 0))
print(B.shape)

B = A.transpose((2, 1, 0))：transpose方法用于对数组进行转置操作。括号内的参数(2, 1, 0)指定了新的维度的顺序。原始数组A的维度顺序是(深度, 高度, 宽度)，即(2, 3, 4)。通过transpose((2, 1, 0))操作，我们将维度顺序改为(宽度, 高度, 深度)，即(4, 3, 2)。这意味着新的数组B将有4个二维数组（深度为4），每个二维数组有3行2列。

四、运算函数 

4.1 均值

import numpy as np
from numpy import dtype

A = np.arange(15).reshape(3,5)
print(A)
# 数组均值
print("数组均值", A.mean())
# 每列均值
print("每列均值", A.mean(axis=0))
# 每行均值
print("每行均值", A.mean(axis=1))

4.2 和

import numpy as np
from numpy import dtype

A = np.arange(15).reshape(3,5)
print(A)
# 数组总和
print("数组总和", A.sum())
# 每列和
print("每列和", A.sum(axis=0))
# 每行和
print("每行和", A.sum(axis=1))

4.3 累加和

import numpy as np
from numpy import dtype

A = np.arange(15).reshape(3,5)
print(A)
# 数组累加和
print("数组总和", A.cumsum())
# 每列累加和
print("每列和", A.cumsum(axis=0))
# 每行累加和
print("每行和", A.cumsum(axis=1))

4.4 标准差

import numpy as np
from numpy import dtype

A = np.arange(15).reshape(3,5)
print(A)
# 数组标准差
print("数组标准差", A.std())
# 每列标准差
print("每列标准差", A.std(axis=0))
# 每行标准差
print("每行标准差", A.std(axis=1))

4.5 方差

import numpy as np
from numpy import dtype

A = np.arange(15).reshape(3,5)
print(A)
# 数组方差
print("数组方差", A.var())
# 每列方差
print("每列方差", A.var(axis=0))
# 每行方差
print("每行方差", A.var(axis=1))

4.6 最大值

import numpy as np
from numpy import dtype

A = np.arange(15).reshape(3,5)
print(A)
# 数组最大值
print("数组最大值", A.max())
# 每列最大值
print("每列最大值", A.max(axis=0))
# 每行最大值
print("每行最大值", A.max(axis=1))

4.7 最小值 

import numpy as np
from numpy import dtype

A = np.arange(15).reshape(3,5)
print(A)
# 数组最小值
print("数组最小值", A.min())
# 每列最小值
print("每列最小值", A.min(axis=0))
# 每行最小值
print("每行最小值", A.min(axis=1))

4.8 正态分布的随机矩阵

import numpy as np
from numpy import dtype

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

4.9 随机排序

import numpy as np
from numpy import dtype

np.random.seed(10)
print(np.random.permutation(10))

4.10 均匀分布的随机数矩阵

import numpy as np
from numpy import dtype

np.random.seed(10)
print(np.random.rand(2, 3))

4.11 固定范围内随机整数 

import numpy as np
from numpy import dtype

np.random.seed(10)
print(np.random.randint(2, 8, size=6))

4.12 保存数据

import numpy as np
from numpy import dtype

A = np.arange(12).reshape(4, 3)
np.save("test.npy", A)
print("保存成功")

4.13 导入数据

import numpy as np
from numpy import dtype

A = np.load("test.npy")
print(A)

4.14 压缩数据 

import numpy as np
from numpy import dtype

A = np.arange(12).reshape(4, 3)
B = np.load("test.npy")
# 将以上两个数组压缩成一个文件
np.savez("test.npz", A = A, B = B)
# 导入保存的压缩文件
data = np.load("test.npz")
print(data["A"])

上一篇文章：Python的条件判断、循环和函数（超详细教学）-CSDN博客https://blog.csdn.net/Z0412_J0103/article/details/144829113下一篇文章： Python的pandas库基础知识（超详细教学）-CSDN博客https://blog.csdn.net/Z0412_J0103/article/details/144849671

【回炉重造】Python之numpy详细教程（2万字总结）
风口IT猪的成长录
09-16 1546
Python之numpy详细教程前言安装：Numpy库介绍安装：教程地址：Numpy数组和Python列表性能对比：NumPy数组基本用法numpy中的数组：创建数组（np.ndarray对象）：ndarray常用属性：`ndarray.dtype`：`ndarray.size`：`ndarray.ndim`：`ndarray.shape`：`ndarray.itemsize`：Numpy数组操作数组广播机制：数组与数的计算：数组与数组的计算：广播原则：数组形状的操作：reshape和resize方法：fl
Python之numpy详细教程
热门推荐
风口IT猪的成长录
07-02 3万+
Numpy学习笔记Numpy介绍ndarray介绍ndarray与Python原生list运算效率对比ndarray的优势内存块风格ndarray支持并行化运算（向量化运算）效率远高于纯Python代码Numpy安装N维数组-ndarrayarray 创建ndarray的属性ndarray的形状ndarray的类型总结基本操作生成数组的方法生成0和1的数组np.empy()从现有数组生成关于array和asarray的不同生成固定范围的数组np.linspace (start, stop, num, end
pythonnumpy教程-PythonNumpy库常见用法入门教程.pdf
06-11
pythonnumpy教程_PythonNumpy库常见⽤法⼊门教程 本⽂实例讲述了Python Numpy库常见⽤法。分享给⼤家供⼤家参考，具体如下： 1、简介 Numpy是⼀个常⽤的Python科学技术库，通过它可以快速对数组进⾏操作，包括形状操作、排序、选择、输⼊输出、离散傅⽴叶变换、基 本线性代数，基本统计运算和随机模拟等。许多Python库和科学计算的软件包都使⽤Numpy数组作为操作对象，或者将传⼊的Python数 组转化为Numpy数组，因此在Python中操作数据离不开Numpy。 Numpy的核⼼是ndarray对象，由Python的n维数组封装⽽来，但通过C语⾔预编译相关的数组操作，因此⽐原⽣Python具有更⾼的执⾏ 效率，但仍然使⽤Python语⾔编码，这样就同时具有简洁的代码和⾼效的运⾏速度。ndarry与数组有些区别值得注意，numpy数组中的元 素都具有相同的类型，并且在创建时就确定了固定的⼤⼩，这与Python数组对象可以动态增长不同。 2、数组对象 2.1、属性 Numpy对象的形式是同构多维数组，数组的维度称为轴(axis)，每个维度上元素的个数称为
pythonnumpy入门教程完整版PDF最新版本
12-13
在本篇教程中，我们将深入探讨Python编程语言中的numpy包，该包在数据科学和机器学习等领域具有广泛的应用。Numpy提供了一个功能强大的多维数组对象，以及一系列用于操作这些数组的函数。 本教程将系统地介绍numpy的各个方面，包括但不限于：数组的创建、操作、索引、分片、计算、广播以及线性代数操作等。具体内容包括： 1. **Numpy的安装**：如何在你的工作环境中安装numpy包。 2. **Numpy数组的创建**：如何初始化numpy数组。 3. **数组的形状和尺寸**：探讨数组的维度和大小。 4. **数组操作**：对数组进行基本的修改和变换。 5. **数组索引和切片**：如何访问和提取数组中的特定元素。 6. **数组计算**：执行数组间的数学运算。 7. **数组广播**：理解numpy如何自动扩展数组以进行元素级运算。 8. **线性代数操作**：利用numpy进行矩阵和向量运算。 9. **性能优化**：探讨如何提高numpy代码的执行效率。 10. **示例程序**：通过实际案例来演示numpy的应用。 通过本教程的学习，你将能够掌握numpy的核心功
Python 第三方库 NumPy 一篇文章讲清楚Numpy的基础知识
最新发布
2201_75957476的博客
03-30 496
NumPy 定义了一个 n 维数组对象，简称 ndarray 对象，它是一个一系列相同类型元素组成的数组集合。数组中的每个元素都占有大小相同的内存块，您可以使用索引或切片的方式获取数组中的每个元素。ndarray 对象采用了数组的索引机制，将数组中的每个元素映射到内存块上，并且按照一定的布局对内存块进行排列，常用的布局方式有两种，即按行或者按列。主要特点使用方式:通过 NumPy 的内置函数 array() 可以创建 ndarray 对象，其语法格式如下： 参数说明：代码实例： 2.2 zeros( ) 可
python之numpy详细教程-Python中的Numpy入门教程
weixin_39611161的博客
11-11 274
1、Numpy是什么很简单，Numpy是Python的一个科学计算的库，提供了矩阵运算的功能，其一般与Scipy、matplotlib一起使用。其实，list已经提供了类似于矩阵的表示形式，不过numpy为我们提供了更多的函数。如果接触过matlab、scilab，那么numpy很好入手。 在以下的代码示例中，总是先导入了numpy：代码如下:>>> import numpy as np>>> p...
【机器学习】——numpy教程
qq_59702185的博客
10-25 3137
numpy是一个开源的Python库，也就是相当于Python中的列表，即多维数组。那么为什么有了列表，我们还需要使用numpy呢？numpy可以计算大型的多维数组和矩阵操作，他的计算能力更强，运行的速度更快。其实，Python中的列表，要想找到列表中对应的元素需要先通过寻找该元素的地址才可以访问到元素，因此，速度自然会慢一些。而Python中的numpy是存储在一片连续的地址空间上的，因此访问元素速度更快，类似于c++中的数组，物理空间是连续的。
Python Numpy 教程
07-28 338
Numpy的意思是numeric python，它是一个用于计算、处理多维数组的python包，在人工智能/深度学习项目中得到广泛应用。 对象 本教程面向初学者或专业人士。 预备知识 熟悉Python编程。Python编程可参考我们的Python 教程。 Python Numpy 教程 Numpy 介绍 Numpy 安装 NumPy ndarray NumPy 数据类型 NumP...
Python Numpy库教程
weixin_53598445的博客
01-18 5342
这里写目录标题语法基础二级目录三级目录 语法基础 代码缩进：C，C++等语言通过一些停顿符号，如分号、大括号来进行代码缩进。而通过代码缩进量来保持对应语句逻辑的一致性，不一致的缩进会导致代码运行的错误。 二级目录 三级目录 ............
NumPy库入门教程：基础知识总结
SeizeeveryDay的博客
08-08 341
视学算法|作者知乎专栏|来源中国统计网 | 转自numpy可以说是Python运用于人工智能和科学计算的一个重要基础，近段时间恰好学习了numpy，pandas，sklearn等...
Python —— NumPy库（超级详细教程）
小白
11-14 1516
数学运算：矩阵乘法、解方程、积分、随机数生成等。信号处理：傅里叶变换、滤波等。物理模拟：微分方程求解、粒子运动模拟。数据清洗：缺失值处理、数据归一化。数据统计：均值、方差、协方差等计算。与 Pandas 配合：Pandas 的底层依赖 NumPy，适合表格数据处理。图像本质是像素矩阵，可用 NumPy 操作（裁剪、旋转、颜色通道分离）。数据输入格式：大多数框架（如 Scikit-learn、TensorFlow）接受 NumPy 数组作为输入。实现算法：如线性回归、神经网络的前向传播。
Python Numpy库常见用法入门教程
09-18
本教程将深入介绍Numpy库的基础知识和常用操作。 首先，Numpy的核心是ndarray对象，它允许快速高效地执行各种数组操作。与Python的列表不同，ndarray的元素类型是统一的，且在创建时就固定了大小，这使得数组在内存...
清晰易懂的Numpy入门教程_numpy_numpy入门_python教程_
09-30
Numpy是python语言中最基础和最强大的科学计算和数据处理的工具包，如数据分析工具pandas也是基于numpy构建的，机器学习包scikit-learn也大量使用了numpy方法。本文介绍了Numpy的n维数组在数据处理和分析的所有核心...
Python数据科学入门之Numpy矩阵运算与数学函数应用教程
02-19
内容概要：本文主要介绍Python环境下Numpy库的基础知识及其用法。文章开头概述了NumPy的功能，即作为一个强大的数值计算扩展包，支持大规模多维数组及矩阵操作并提供了众多的数学函数来处理数组数据。随后，文中列举...
Python Numpy学习教程（一）Python篇
阿木寺的博客
03-24 982
通知：这篇文章主要简单介绍Python的基本数据结构、容器、列表、字典、集合、元组、函数和类等知识点Python Numpy学习教程Author:     Justin JohnsonInterpreter：AmusiDate:   2018-03-24Reference:[1]：http://cs231n.github.io/python-numpy-tutorial/ [2]：https://...
Python NumPy基础入门
Wielun
04-19 1262
一、NumPy简介 NumPy是高性能科学计算和数据分析的基础包。它是pandas等其他各种工具的基础 NumPy的主要功能： ndarray，一个多维数据结构，高效且节省空间 无需循环对整组数据进行快速运算的数学函数 线性代数、随机数生成和傅里叶变换功能 安装方法：pip install numpy 二、初体验 1、案例一 已知若干家跨国公司的市值（美元），将其换算成人名币 # !/usr/bin/env python # coding:utf-8 """ Name: main.py
NumPy入门教程
ZivXu的博客
12-31 678
NumPy入门教程
Python NumPy教程
从零开始的教程世界
07-16 561
Welcome to Python NumPy tutorial. In our previous tutorial, we learned about Python switch case. In this tutorial we will install NumPy and look into NumPy array and some matrix operations such as add...
Day40.Numpy的应用
Tomandjava的博客
04-15 1028
Numpy的应用 文章目录Numpy的应用前言一. Numpy的介绍1.1 Numpy简介1.2 准备工作二. Numpy的简单应用2.1 创建数组对象2.1.1 一维数组2.1.2 二维数组2.1.3 多维数组2.2 数组对象的属性三. Numpy的升级操作3.1 数组的索引和切片3.2 案例：通过数组切片处理图像3.3 数组对象的方法3.3.1 统计方法3.3.2 其他方法3.4 数组的运算3.4.1 数组跟标量的运算3.4.2 数组跟数组的运算3.4.3 通用一元函数3.4.4 通用二元函数3.4.
numpy教程
05-26
好的，关于numpy的教程，我可以为您提供以下内容： 1. numpy是什么？ Numpy是Python中一个强大的数学库，主要用于科学计算、数值分析和数据处理。它能够高效地处理多维数组和矩阵，提供了许多数学函数和算法，可以方便地进行各种数值计算和数据处理。 2. numpy的安装 可以通过pip命令来安装numpy。在命令行输入以下命令即可： ``` pip install numpy ``` 3. numpy的基础操作 - 创建numpy数组 可以使用numpy中的array()函数来创建数组。例如： ``` import numpy as np a = np.array([1, 2, 3]) # 创建一维数组 b = np.array([[1, 2], [3, 4]]) # 创建二维数组 ``` - 数组的属性 可以通过访问数组的属性来获取其维度、形状、大小等信息。例如： ``` print(a.ndim) # 数组的维度 print(a.shape) # 数组的形状 print(a.size) # 数组的大小 ``` - 数组的切片和索引 可以使用索引和切片来访问数组中的元素。例如： ``` print(a[0]) # 访问数组中的第一个元素 print(b[1, 0]) # 访问数组中的第二行第一列元素 print(a[:2]) # 访问数组中的前两个元素 print(b[:, 1]) # 访问数组中的第二列元素 ``` - 数组的运算 可以对数组进行各种数学运算，如加、减、乘、除等。例如： ``` c = a + b # 数组相加 d = a - b # 数组相减 e = a * b # 数组相乘 f = a / b # 数组相除 ``` 4. numpy的高级操作 - 广播 广播是一种numpy中的特殊机制，它可以使不同形状的数组进行算术运算。例如： ``` a = np.array([1, 2, 3]) b = np.array([2, 2, 2]) c = a + b # 广播，等价于a + np.array([2, 2, 2]) ``` - 矩阵操作 numpy中的matrix类可以方便地进行矩阵运算。例如： ``` a = np.matrix([[1, 2], [3, 4]]) b = np.matrix([[2, 2], [2, 2]]) c = a * b # 矩阵相乘 ``` - 数组的形状变换 可以使用reshape()函数来改变数组的形状。例如： ``` a = np.array([1, 2, 3, 4]) b = a.reshape(2, 2) # 将a变成2行2列的数组 ``` - 数学函数 numpy中提供了许多数学函数，如sin、cos、exp、log等。例如： ``` a = np.array([0, 30, 45, 60, 90]) b = np.sin(np.radians(a)) # 计算a的正弦值 ``` 以上就是关于numpy的基础和高级操作的简要介绍，希望对您有所帮助！
评论 15
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小星袁

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值