Python数据处理利器：Numpy库的深入解析-CSDN博客

本文链接：https://blog.csdn.net/m0_62153576/article/details/133742291

在Python数据科学领域，Numpy（Numerical Python）库是一个非常强大的工具，提供了高性能的多维数组对象以及用于处理这些数组的函数。本篇博客将深入介绍Numpy库，包括多维数组的创建、索引与切片、数学运算、广播机制、线性代数等方面的详细内容。

1. 安装Numpy库

在使用Numpy之前，首先需要安装它。可以使用以下命令：

pip install numpy

2. 创建Numpy数组

2.1 一维数组

import numpy as np

arr_1d = np.array([1, 2, 3, 4, 5])
print("一维数组:", arr_1d)

2.2 二维数组

arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("二维数组:", arr_2d)

2.3 特殊数组

zeros_arr = np.zeros((3, 4))  # 创建全零数组
ones_arr = np.ones((2, 2))    # 创建全一数组
identity_matrix = np.eye(3)   # 创建单位矩阵

print("全零数组:", zeros_arr)
print("全一数组:", ones_arr)
print("单位矩阵:", identity_matrix)

3. 数组的索引与切片

3.1 一维数组

print("第二个元素:", arr_1d[1])
print("前三个元素:", arr_1d[:3])

3.2 二维数组

print("第一行:", arr_2d[0, :])
print("第一列:", arr_2d[:, 0])
print("子矩阵:\n", arr_2d[:2, 1:])

4. 数学运算

4.1 基本运算

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

print("矩阵相加:\n", arr_a + arr_b)
print("矩阵相乘:\n", np.dot(arr_a, arr_b))

4.2 广播机制

arr_c = np.array([[1], [2]])
print("广播相加:\n", arr_a + arr_c)

5. 统计与数学函数

5.1 统计函数

print("平均值:", np.mean(arr_a))
print("标准差:", np.std(arr_a))
print("最大值:", np.max(arr_a))
print("最小值:", np.min(arr_a))

5.2 数学函数

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

print("开方:\n", np.sqrt(arr_d))
print("指数函数:\n", np.exp(arr_d))
print("对数函数:\n", np.log(arr_d))

6. 线性代数

# 矩阵乘法
mat_a = np.array([[1, 2], [3, 4]])
mat_b = np.array([[5, 6], [7, 8]])
result = np.matmul(mat_a, mat_b)
print("矩阵乘法:\n", result)

# 求逆矩阵
inverse_mat_a = np.linalg.inv(mat_a)
print("逆矩阵:\n", inverse_mat_a)