超详细的Numpy基础教程！！！

Numpy是一个开源的Python库，用于支持大型多维数组和矩阵运算，同时提供了大量的数学函数库。它是科学计算中非常重要的工具。Numpy在数据科学中非常重要，因为它提供了高效的数组处理能力和广泛的数学函数库，这对于处理大规模数据集、进行科学计算和机器学习等任务至关重要。

一、安装与设置

• 如何安装Numpy

  pip install numpy

• 验证安装的方法

  import numpy
  print(numpy.__version__)
  

二、Numpy数组基础 

• 。创建数组： Numpy允许使用array函数从列表创建数组

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

• 数组的属性：数组有多个属性，如shape（形状）、size（大小）和dtype（数据类型）。

  print(arr.shape)  # 输出数组的形状
  print(arr.size)   # 输出数组中元素的总数
  print(arr.dtype)  # 输出数组元素的数据类型
  

• 索引与切片：可以通过索引访问数组中的元素，或使用切片来访问子数组。

  print(arr[0])       # 输出第一个元素
  print(arr[-1])      # 输出最后一个元素
  print(arr[0:2])     # 输出前两个元素
  

  三、数组操作

• 数组的形状改变：使用reshape方法可以改变数组的形状，而不改变其数据。

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

• 数组的堆叠与分割：
• 堆叠：stack函数可以沿着新的轴加入一系列的数组。

  a = np.array([1, 2, 3])
  b = np.array([4, 5, 6])
  c = np.stack((a, b))
  print(c)
  

• 分割：split函数可以将一个数组分割成多个子数组。

  d = np.array([1, 2, 3, 4, 5, 6])
  e, f = np.split(d, [3])
  print(e)
  print(f)
  

  这会将数组d在第三个元素处分割成两个子数组e和f。

• 数组的广播：广播是Numpy中的一个强大特性，它允许不同形状的数组进行数学运算。

  g = np.array([1, 2, 3])
  h = 2
  print(g * h)
  

  即使h不是数组，Numpy也会将其扩展到与g相同的大小，并执行逐元素乘法。

 四、数学运算

• 基本数学函数： Numpy提供了许多数学函数，如加法、减法、乘法和除法。

  import numpy as np
  a = np.array([1, 2, 3])
  print(np.add(a, 1))  # 对数组每个元素加1
  print(np.subtract(a, 1))  # 对数组每个元素减1
  

• 线性代数运算： Numpy支持多种线性代数运算，如矩阵乘法和求解线性方程组。

  b = np.array([[1, 2], [3, 4]])
  c = np.array([[5, 6], [7, 8]])
  print(np.dot(b, c))  # 矩阵乘法
  

• 统计方法： Numpy提供了一系列统计方法，用于计算平均值、中位数、标准差等。

  d = np.array([1, 2, 3, 4, 5])
  print(np.mean(d))  # 计算平均值
  print(np.median(d))  # 计算中位数
  print(np.std(d))  # 计算标准差
  

  五、高级特性

• 掩码数组：掩码数组是Numpy中的一种特殊数组，它可以让你隐藏或“掩码”数组中的某些数据。

  import numpy as np
  arr = np.array([1, 2, 3, -1, -2, -3])
  mask = arr < 0
  print(arr[mask])  # 只显示小于0的元素
  

• 结构化数组：结构化数组允许你定义一个数组，其中每个元素都可以是不同类型的字段。

  structured_arr = np.array([(1, 'First', 0.5), (2, 'Second', 1.3)],
                            dtype=[('id', 'i4'), ('position', 'a6'), ('value', 'f4')])
  print(structured_arr[0]['position'])  # 输出第一个元素的'position'字段
  

  六、实例：使用Numpy解决问题

  • 实际案例：假设你是数据分析师，需要分析一组股票价格的数据，找出价格最高的股票和计算所有股票价格的平均值。
  • 1.数据准备： 首先，我们创建一个包含股票价格的Numpy数组。

    import numpy as np
    stock_prices = np.array([120.5, 90.3, 45.8, 150.1, 180.4])
    

  • 2.分析：找出价格最高的股票：

    max_price = np.max(stock_prices)
    max_index = np.argmax(stock_prices)
    print(f"最高股票价格为：{max_price}, 位于索引：{max_index}")
    

    计算所有股票价格的平均值：

    average_price = np.mean(stock_prices)
    print(f"股票价格的平均值为：{average_price}")
    

    运行上述代码，你将得到最高股票价格及其索引位置，以及所有股票价格的平均值。

  • 当然，这只是一个非常简单的运用Numpy的小案例，想实现其他功能可以根据自己的需要运用Numpy库。