【NumPy】一文向您详细介绍 np.array()

最新推荐文章于 2025-03-23 10:45:40 发布

高斯小哥

最新推荐文章于 2025-03-23 10:45:40 发布

阅读量4.6k

点赞数 31

分类专栏： Numpy 文章标签： numpy python 新手入门学习

本文链接：https://blog.csdn.net/qq_41813454/article/details/138156647

版权

Numpy 专栏收录该内容

73 篇文章

订阅专栏

【NumPy】一文向您详细介绍 np.array()
在这里插入图片描述

🌈 欢迎莅临我的个人主页👈这里是我静心耕耘深度学习领域、真诚分享知识与智慧的小天地！🎇

🎓 博主简介：
我是高斯小哥，一名来自985高校的普通本硕生，曾有幸在中科院顶刊发表过一作论文。多年的深度学习研究和实践，让我逐渐熟练掌握了PyTorch框架，每一步成长都离不开持续的学习和积累。

🔧 技术专长：
在深度学习的广阔天地中，我不断探索前行，尤其在CV、NLP及多模态等领域有着丰富的实践经验。我热衷于将技术转化为解决实际问题的工具，因此，在业余时间，我积极投身于技术支持工作，已累计为数百位用户提供近千次专业服务，助力他们【高效】解决问题，近一年好评率100%。我坚信，技术的价值在于服务人类，提升生活品质。

📝 博客风采：
我深知知识分享的重要性，因此，在博客中我倾注心血，撰写并分享关于深度学习、PyTorch、Python的实用内容。今年，我笔耕不辍，已发表原创文章400余篇，代码分享次数逾四万次。我衷心希望通过这些内容，为广大读者提供实用的学习资源和解决方案，助力他们在深度学习的道路上稳步前行。

💡 服务项目：
除了知识分享，我还提供科研入门辅导（代码实战方面）、知识付费答疑以及个性化需求解决等服务。我深知每个人的需求都是独特的，因此我致力于提供个性化的解决方案，以满足不同用户的需求。
如果您对以上服务感兴趣，欢迎添加👉👉👉底部微信（gsxg605888）👈👈👈与我交流（请您备注来意）。

📚 一、NumPy与np.array()的初步认识

NumPy（Numerical Python的简称）是Python中用于处理数组运算的扩展库，它提供了大量的数学函数来操作数组，使得数组的处理变得高效且简洁。而np.array()则是NumPy库中的一个基础函数，用于创建数组。

例如，我们可以这样创建一个一维数组：

import numpy as np

# 创建一个一维数组
arr_1d = np.array([1, 2, 3, 4, 5])
print(arr_1d)

或者创建一个二维数组（矩阵）：

# 创建一个二维数组（矩阵）
arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr_2d)

🚀 二、np.array()的高级用法

np.array()函数不仅仅可以创建基本的数值数组，还可以处理更复杂的数据结构，比如嵌套列表，以及指定数据类型。

例如，创建一个包含不同数据类型的数组：

import numpy as np

# 创建一个包含不同数据类型的数组
mixed_array = np.array([1, 'a', 3.14])
print(mixed_array)

或者指定数组的数据类型：

# 创建一个指定数据类型的数组
int_array = np.array([1, 2, 3], dtype=np.int64)
float_array = np.array([1.1, 2.2, 3.3], dtype=np.float32)
print(int_array)
print(float_array)

🔍 三、np.array()与Python原生列表的对比

np.array()创建的数组与Python的原生列表相比，有很多优势。例如，NumPy数组在内存中是连续存储的，这使得数组元素之间的访问和计算更为高效。

下面是一个简单的性能对比示例：

import time

# 使用原生Python列表进行元素相加
start_time = time.time()
python_list = list(range(1000000))
sum_python = sum(python_list)
end_time = time.time()
print(f"Python list sum: {sum_python}, Time: {end_time - start_time:.6f}s")

# 使用NumPy数组进行元素相加
start_time = time.time()
numpy_array = np.arange(1000000)
sum_numpy = np.sum(numpy_array)
end_time = time.time()
print(f"NumPy array sum: {sum_numpy}, Time: {end_time - start_time:.6f}s")

# output
# Python list sum: 499999500000, Time: 0.037715s
# NumPy array sum: 499999500000, Time: 0.004326s

在上面的示例中，我们可以明显看到NumPy数组在计算大规模数据时的高效性。

🌈 四、np.array()的广播机制

广播（Broadcasting）是NumPy中用于处理不同形状数组之间算数运算的一种强大机制。它允许NumPy在执行元素级运算时自动扩展数组的维度，以匹配其他数组的形状。

下面是一个简单的示例：

# 广播机制示例
a = np.array([[1, 2], [3, 4]])
b = np.array([10, 20])

# a的形状是(2, 2)，b的形状是(2,)，NumPy通过广播机制将b的形状“扩展”为(2, 2)
c = a + b
print(c)

📊 五、np.array()在数据分析中的应用

NumPy的数组在数据分析中扮演着重要的角色。它提供了大量的统计函数，使得我们可以方便地对数组数据进行处理和分析。

例如，计算数组的均值、中位数、标准差等：

# 创建一个随机数组
data = np.random.rand(1000)

# 计算均值
mean = np.mean(data)

# 计算中位数
median = np.median(data)

# 计算标准差
std_dev = np.std(data)

print(f"Mean: {mean}, Median: {median}, Standard Deviation: {std_dev}")

💡 六、np.array()的扩展功能

除了基础的创建和运算功能，np.array()还有许多扩展功能，这些功能能够极大地增强我们对数组的操作的能力。

数组切片和索引

NumPy支持高级的索引和切片功能，使得我们能够方便地访问和修改数组中的特定元素。

# 创建一个二维数组
arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 访问特定元素
element = arr_2d[1, 2]  # 访问第二行第三列的元素，值为6
print(element)

# 切片操作
slice_arr = arr_2d[:2, 1:]  # 切片操作，取前两行，从第二列开始到结束的所有元素
print(slice_arr)

数组重塑和转置

通过reshape和transpose方法，我们可以改变数组的形状和维度。

# 创建一个一维数组
arr_1d = np.arange(6)

# 将一维数组重塑为二维数组
arr_2d_reshaped = arr_1d.reshape((2, 3))
print(arr_2d_reshaped)

# 转置二维数组
arr_2d_transposed = arr_2d.transpose()
print(arr_2d_transposed)

数组排序和搜索

NumPy还提供了对数组进行排序和搜索的函数。

# 对数组进行排序
arr_sorted = np.sort(arr_1d)
print(arr_sorted)

# 搜索数组中是否存在特定元素
element_to_find = 4
if element_to_find in arr_1d:
    print(f"Element {element_to_find} found in the array.")
else:
    print(f"Element {element_to_find} not found in the array.")

🎉 七、总结

np.array()作为NumPy库的核心函数，为我们提供了高效、灵活且强大的数组处理工具。通过深入学习np.array()的用法和特性，我们可以更好地利用NumPy进行数值计算、数据分析和科学计算。从创建基本数组，到高级索引和切片，再到数组重塑和排序，np.array()的丰富功能使得我们能够轻松应对各种数据处理任务。希望本文能够帮助您深入了解np.array()，并在实际工作中灵活运用它。