一篇简单易懂Numpy 核心50个操作,值得收藏！-CSDN博客

本文链接：https://blog.csdn.net/daigualu/article/details/141275187

作者:郭震

Numpy是Python中最流行的数值计算库之一.它提供了强大的多维数组对象和丰富的函数库,用于高效地执行数值运算.在这篇文章中,我们将介绍 Numpy 的核心50个操作,使用 Numpy 的优点.

为什么使用Numpy？

高性能：Numpy 的底层实现是用 C 语言编写的,具有极高的计算效率.
多维数组对象：Numpy 提供了 ndarray 对象,用于存储和操作多维数组数据.
丰富的函数库：Numpy 提供了大量的函数,用于执行各种数值运算,如线性代数、统计学、傅里叶变换等.
集成性好：Numpy 可以与其他科学计算库（如 SciPy、Pandas、Matplotlib）无缝集成.
跨平台支持：Numpy 支持在多种操作系统（如 Windows、Linux、MacOS）上运行.

1. 数组创建与初始化

创建一维数组

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

创建二维数组

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

创建全零数组
```
arr = np.zeros((2, 3))
print(arr)
```
创建全一数组
```
arr = np.ones((2, 3))
print(arr)
```
创建空数组
```
arr = np.empty((2, 3))
print(arr)
```
创建单位矩阵
```
arr = np.eye(3)
print(arr)
```

创建等间距数组

arr = np.arange(0, 10, 2)
print(arr)

创建线性间距数组

arr = np.linspace(0, 1, 5)
print(arr)

创建随机数组

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

创建正态分布数组

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

2. 数组属性

数组形状

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

数组维度
```
print(arr.ndim)
```
数组元素总数
```
print(arr.size)
```
数组数据类型
```
print(arr.dtype)
```
数组元素大小（字节）
```
print(arr.itemsize)
```
数组总字节数
```
print(arr.nbytes)
```

3. 数组操作

数组重塑

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

数组展平
```
arr = arr.flatten()
print(arr)
```

数组转置

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

数组拼接

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
arr = np.vstack((arr1, arr2))  # 垂直拼接
print(arr)

数组水平拼接

arr = np.hstack((arr1, arr2))  # 水平拼接
print(arr)

数组拆分

arr = np.array([[1, 2, 3], [4, 5, 6]])
arr1, arr2 = np.hsplit(arr, 2)  # 水平拆分
print(arr1, arr2)

数组元素求和

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

数组按轴求和

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.sum(axis=0))  # 列求和
print(arr.sum(axis=1))  # 行求和

数组元素最大值
```
print(arr.max())
```

数组按轴最大值

print(arr.max(axis=0))  # 列最大值
print(arr.max(axis=1))  # 行最大值

数组元素最小值
```
print(arr.min())
```

数组按轴最小值

print(arr.min(axis=0))  # 列最小值
print(arr.min(axis=1))  # 行最小值

数组元素平均值
```
print(arr.mean())
```

数组按轴平均值

print(arr.mean(axis=0))  # 列平均值
print(arr.mean(axis=1))  # 行平均值

4. 数组运算

数组元素相加

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

数组元素相减
```
print(np.subtract(arr1, arr2))
```
数组元素相乘
```
print(np.multiply(arr1, arr2))
```
数组元素相除
```
print(np.divide(arr1, arr2))
```
数组点积
```
print(np.dot(arr1, arr2))
```

数组矩阵乘法

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
print(np.matmul(arr1, arr2))

数组元素幂运算

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

数组开平方
```
print(np.sqrt(arr))
```

5. 逻辑运算与条件筛选

数组元素比较

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

数组条件筛选

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

数组元素替换

arr = np.array([1, 2, 3, 4, 5])
arr[arr > 3] = 0
print(arr)

数组布尔索引

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

6. 线性代数与统计运算

矩阵求逆

arr = np.array([[1, 2], [3, 4]])
print(np.linalg.inv(arr))

矩阵行列式
```
print(np.linalg.det(arr))
```
矩阵特征值
```
print(np.linalg.eig(arr))
```

数组方差

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

数组标准差
```
print(np.std(arr))
```
数组中位数
```
print(np.median(arr))
```
数组百分位数
```
print(np.percentile(arr, 50))
```

数组协方差

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

总结

通过以上50 个核心操作的介绍,我们可以看到 Numpy 在数值计算中的强大功能和广泛应用.它不仅提供了多维数组对象和丰富的函数库,还能够高效地执行各种数值运算.使用 Numpy,可以大大提高数据处理的效率和代码的可读性,是进行科学计算和数据分析的理想选择.希望这篇文章对你掌握 Numpy 核心操作有所帮助,祝你在数据科学的道路上不断进步！

感谢你的支持,原创不易,希望转发,点击,以及收藏,也可以点击阅读原文更多AI知识分享,同时也可以关注知识星球:郭震AI学习星球

最后,若想利用副业时间提高技能和收入,可以加入我的星球:长按上图二维码查看「郭震AI学习星球」