Python 如何使用 NumPy 操作数组：优缺点解析

itbysj

于 2024-10-07 10:44:09 发布

阅读量723

点赞数 19

文章标签： python numpy 开发语言

本文链接：https://blog.csdn.net/itbysj/article/details/142736778

版权

Python 如何使用 NumPy 操作数组：优缺点解析

一、引言

Python 是一个功能强大的编程语言，在数据处理和科学计算领域得到了广泛的应用。而 NumPy（Numerical Python）是 Python 中的一个核心库，用于处理多维数组、矩阵以及进行高效的数值运算。与 Python 的原生列表不同，NumPy 提供了更高效、更灵活的数据操作方式。

本文将通俗易懂地讲解 NumPy 库中的数组操作方法，包括数组的创建、索引、切片、运算以及一些常见操作。同时，分析 NumPy 的优势和劣势，帮助初学者更好地理解和使用这个强大的工具。

在这里插入图片描述

二、什么是 NumPy？

2.1 NumPy 简介

NumPy 是 Python 中用于科学计算的基础包。它支持：

多维数组（ndarray）：类似于 Python 列表，但功能更强大。
高效的数值运算：相比 Python 内置的列表，NumPy 提供了更高效的操作，特别是在处理大规模数据时。
广播机制：允许不同形状的数组之间进行运算，而不需要显式地对齐它们的维度。

2.2 NumPy 的安装

在开始之前，确保已经安装了 NumPy 库。可以使用 pip 来安装：

pip install numpy

三、NumPy 数组的基本操作

3.1 数组的创建

NumPy 提供了多种创建数组的方法，以下是一些常用的方法。

3.1.1 使用列表创建数组

最简单的方式是将 Python 的列表转换为 NumPy 数组：

import numpy as np

# 将列表转换为 NumPy 数组
arr = np.array([1, 2, 3, 4, 5])
print(arr)

输出：

[1 2 3 4 5]

3.1.2 创建全零或全一的数组

可以使用 np.zeros() 和 np.ones() 方法创建全零或全一的数组，常用于初始化矩阵或进行占位操作。

# 创建全零数组
zeros_array = np.zeros((3, 3))  # 创建 3x3 的全零数组
print(zeros_array)

# 创建全一数组
ones_array = np.ones((2, 4))  # 创建 2x4 的全一数组
print(ones_array)

输出：

[[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]

[[1. 1. 1. 1.]
 [1. 1. 1. 1.]]

3.1.3 使用 `arange()` 和 `linspace()` 创建数值序列

NumPy 提供了 arange() 和 linspace() 函数来生成数值序列：

# 使用 arange() 生成 0 到 9 的整数数组
arr_range = np.arange(0, 10)
print(arr_range)

# 使用 linspace() 生成 0 到 1 之间的等间距数组，包含 5 个数值
arr_linspace = np.linspace(0, 1, 5)
print(arr_linspace)

输出：

[0 1 2 3 4 5 6 7 8 9]

[0.   0.25 0.5  0.75 1.  ]

3.2 数组的属性

每个 NumPy 数组都有几个重要的属性，这些属性可以帮助我们了解数组的结构和大小。

ndarray.shape：返回数组的形状（行数和列数）。
ndarray.size：返回数组中的元素总数。
ndarray.ndim：返回数组的维度（即几维数组）。

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

print(f"数组形状: {arr.shape}")
print(f"数组元素总数: {arr.size}")
print(f"数组维度: {arr.ndim}")

输出：

数组形状: (2, 3)
数组元素总数: 6
数组维度: 2

3.3 数组的索引和切片

与 Python 列表类似，NumPy 数组支持索引和切片操作。你可以通过索引访问数组中的特定元素，也可以通过切片获取数组的子集。

3.3.1 一维数组索引

arr = np.array([10, 20, 30, 40, 50])

# 获取索引为 2 的元素
print(arr[2])  # 输出 30

3.3.2 多维数组索引

对于多维数组，可以使用逗号分隔的索引来访问特定元素。

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

# 获取第一行第二列的元素
print(arr[0, 1])  # 输出 2

3.3.3 数组切片

NumPy 数组的切片操作方式与 Python 列表类似，可以通过指定起始和结束索引来获取数组的子集。

arr = np.array([10, 20, 30, 40, 50])

# 获取索引 1 到 3 之间的元素
print(arr[1:4])  # 输出 [20 30 40]

对于多维数组，同样可以对特定维度进行切片：

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

# 获取第一、二行，第一、二列的元素
print(arr[:2, :2])

输出：

[[1 2]
 [4 5]]

3.4 数组的运算

NumPy 支持多种数组间的运算方式，能够对整个数组执行快速的数值运算，而无需使用循环。

3.4.1 数组的算术运算

NumPy 的数组运算非常简洁，支持直接对整个数组进行加减乘除等操作：

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

# 数组加法
print(arr + 5)

# 数组乘法
print(arr * 2)

输出：

[ 6  7  8  9 10]

[ 2  4  6  8 10]

3.4.2 数组间运算

NumPy 还支持数组间的逐元素运算，要求两个数组形状相同。

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

# 数组加法
print(arr1 + arr2)

# 数组乘法
print(arr1 * arr2)

输出：

[5 7 9]

[ 4 10 18]

3.4.3 广播机制

当两个数组形状不同但能够通过某种规则进行“对齐”时，NumPy 会自动应用广播机制，使其能够进行运算。例如，一个数组可以与一个标量进行逐元素运算。

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

# 数组与标量相加
print(arr + 10)

输出：

[[11 12 13]
 [14 15 16]]

3.5 数组的常见操作

NumPy 提供了许多常见的数组操作函数，如求和、最大值、最小值等。

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

# 求数组的和
print(np.sum(arr))  # 输出 15

# 求数组的最大值
print(np.max(arr))  # 输出 5

# 求数组的最小值
print(np.min(arr))  # 输出 1

对于多维数组，这些操作可以在特定轴上执行：

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

# 沿着行方向求和（即对每列元素求和）
print(np.sum(arr, axis=0))  # 输出 [5 7 9]

# 沿着列方向求和（即对每行元素求和）
print(np.sum(arr, axis=1))  # 输出 [ 6 15]

四、NumPy 的优缺点

4.1 NumPy 的优点

高效的数值运算

：NumPy 使用底层 C 语言实现，能够快速处理大规模的数值运算，比 Python 列表效率高很多。
2. 简洁的语法：NumPy 提供了丰富的函数和操作符，能够让我们用简洁的代码完成复杂的数组操作。
3. 支持多维数组：相比 Python 原生列表，NumPy 支持多维数组（如矩阵）的处理，这在科学计算和数据分析中非常有用。
4. 广播机制：广播机制使得不同形状的数组之间也能够进行运算，进一步提高了代码的灵活性。