在Python中，什么是NumPy？如何使用？

在本文中，我们将了解 python 中的 NumPy 以及如何在各种应用程序中使用它。

什么是NumPy？

NumPy是一个Python库，旨在有效地处理Python中的数组。它快速、简单易学且存储高效。它还改进了流程处理数据的方式。Numpy 用于生成 n 维数组。要使用 NumPy，我们只需将其导入我们的程序，然后我们可以轻松地在我们的代码中使用它的功能。

NumPy是一个流行的Python软件包，用于科学计算和统计分析。它的数组是来自同一数据类型的值网格。

它还具有用于处理线性代数、傅里叶变换和矩阵的函数。

我们可以将许多算法转换为可以应用于数组的函数。NumPy具有超越其自身的应用程序。这是一个非常多样化的库，在其他领域有许多应用。

Numpy 与数据科学、数据分析和机器学习配合得很好。它也是其他Python库的基础。这些库利用 NumPy 的功能来扩展其功能。

Numpy的特点

• 有效的 N 维数组对象

• 包含高级（广播）功能

• 具有 C/C++ 和 Fortran 代码集成工具

• Numpy 提供线性代数、傅里叶变换和随机数功能。

为什么要使用NumPy？

Python 中的列表与数组具有相同的目的，但它们的处理速度较慢。

NumPy致力于提供比典型Python列表快50倍的数组对象。

NumPy 中的数组对象名为 ndarray，它附带了几个帮助程序方法，使使用 ndarray 变得简单。

阵列通常用于数据科学，其中速度和资源至关重要。

Numpy的应用

Python 中列表和数组的替代方案

Numpy数组可与Python列表相媲美。Numpy数组，就像Python中的列表一样，是同类的元素集。NumPy数组是同构的事实是它们最重要的特征。

这将它们与 Python 数组区分开来。它保留了数学运算的一致性，而这些运算对于异构项目是不可能执行的。使用 NumPy 数组的另一个优点是可以应用于它们的大量函数。

由于 Python 数组的异构性质，这些功能无法执行。

NumPy 使用很少的内存

数组是 NumPy 中的对象。Python 会根据需求不断删除和构建这些对象。因此，与 Python 列表相比，内存分配较低。NumPy具有防止数据缓冲区内存浪费的功能。

它具有复制、查看和索引等功能，可以节省大量内存。索引有助于返回原始数组的视图，从而允许数据重用。它还标识元素的数据类型，这有助于代码优化。

使用 NumPy 处理多维数组

在 NumPy 中，我们还可以生成多维数组。这些数组具有多个行和列，它们是多维的，因为它们具有多个列。多维数组用于创建矩阵。

这些矩阵易于使用或工作。矩阵的使用也使代码的内存效率更高。为了对这些矩阵执行各种操作，我们有一个矩阵模块。

使用 NumPy 执行数学运算

使用 NumPy 还提供了简单的例程，用于对数据收集数组进行数学运算。在NumPy中，我们有几个模块用于执行基本和特殊的数学函数。

它支持 - 线性代数、按位运算、傅里叶变换、算术运算、字符串运算等。

Numpy Array 的应用

形状的处理

如果输出提供相同数量的元素，用户可以在运行时自定义数组尺寸。在数组上，我们使用 np.reshape（） 函数。整形功能可用于执行各种任务。例如，我们用它来广播两个不同的数组。

阵列创建

我们可以创建一个数组数据集来用于实现各种功能。使用 np.arrange（） 函数，我们还可以为数组元素生成一组指定的数字。“重塑形状”函数可用于创建一组新的尺寸。

我们还可以使用随机方法创建一个具有随机生成值的数组。类似地，我们可以使用 linspace（） 函数来创建具有相同元素间距的数组。

可以创建带有预填充的 1 或 0 的数组。默认数据类型是 float64，但我们可以使用 dtype 选项更改它。

数组尺寸

Numpy 支持一维和多维数组。某些函数对多维数组施加限制。随后必须将数组转换为一维数组。使用 np.ravel（），我们可以将多维数组转换为单维数组。

Numpy 与其他库的应用

将 NumPy 与pandas一起使用

Pandas是Python中最重要的数据分析库之一。它们以其出色的性能、快速分析和数据清理而闻名。我们用它来改变数据结构和分析数据。

它由数据框对象组成。它与NumPy一起工作以加快计算速度。当我们将这些库结合起来时，我们就有了非常有用的科学计算资源。

将 NumPy 与 Matplotlib 结合使用

Matplotlib是一个NumPy模块。它是处理图形表示的非常有用的工具。它具有用于绘制和操作图形的大量功能。

这种组合可以取代MatLab的功能。它用于生成结果图。我们通过利用PyQt和wxPython等图形工具包进一步扩展它。

将 NumPy 与 Scipy 一起使用

Scipy是一个Python开源库。它是Python最重要的科学库。它基于NumPy的功能。SciPy 包括用于科学计算的增强功能。

它可以与NumPy结合使用以提高数学性能。这种组合有助于执行困难的科学操作。

将 NumPy 与 Tkinter 一起使用

Tkinter 是一个 GUI 标准库。Tkinter用于NumPy数据的图形表示。它与NumPy的集成允许创建快速简单的GUI。将Tkinter与NumPy结合使用很简单。数组对象可以简单地转换为图像对象。

结论

最后，我们看到了Numpy的使用和应用。NumPy是一个核心的Python包，具有大量的功能。它具有广泛的内置功能和灵活的特性 它的优点包括更低的内存消耗和更快的运行时行为。无论数据集大小如何，Numpy 都以相同的平滑度运行。