NumPy：Python科学计算基础库

---

NumPy 是 Python 编程语言的一个扩展程序库，广泛应用于科学计算、数据分析和机器学习等领域。它提供了强大的 N 维数组对象、广播功能函数、集成 C/C++ 和 Fortran 代码的工具，以及丰富的线性代数、傅立叶变换和随机数功能 。

NumPy 的主要功能

创建数组

NumPy 提供了多种创建数组的方法，例如：

• np.array(): 从列表创建数组。
• np.zeros(): 创建全0数组。
• np.ones(): 创建全1数组。
• np.full(): 创建用单一值填充的数组。
• np.arange(): 根据指定间隔创建数组。
• np.linspace(): 在指定区间内创建指定数量的等间隔样本 。

数组操作

NumPy 数组支持广泛的操作，包括：

• 切片和索引：访问数组元素。
• 广播：不同形状的数组之间的操作。
• 形状操作：如 reshape 更改数组形状。
• 合并和分割：使用 np.concatenate(), np.split(), np.hsplit(), np.vsplit(), np.dsplit() 等函数 。

统计和计算

NumPy 提供了丰富的函数来进行统计分析和数学计算，如：

• np.mean(): 计算平均值。
• np.median(): 计算中位数。
• np.std(): 计算标准差。
• np.var(): 计算方差。
• np.sum(): 计算元素之和。
• np.prod(): 计算元素乘积。
• np.cumsum(): 计算累积和 。

随机数生成

NumPy 可以生成各种分布的随机数，例如：

• np.random.rand(): 生成 [0, 1) 区间的随机数。
• np.random.randint(): 生成指定范围内的随机整数。
• np.random.uniform(): 在上下限之间的均匀分布中生成随机样本。

线性代数

NumPy 提供了一套完整的线性代数功能，包括矩阵乘法、特征值计算、奇异值分解等。

文件输入输出

NumPy 支持将数组保存到文件或从文件加载，使用 np.savetxt() 和 np.loadtxt() 函数。

常用 NumPy 函数及其参数

np.array()

• object: 要转换为数组的序列。
• dtype: 指定数组的数据类型。
• copy: 是否复制输入数据，默认为 True。
• order: 指定内存布局，如 ‘C’ 或 ‘F’。
• subok: 是否允许使用子类，默认为 False。
• ndmin: 指定生成数组的最小维度数 。

np.arange()

• start: 序列的起始值。
• stop: 序列的结束值。
• step: 数值步长。

np.linspace()

• start: 序列的起始值。
• stop: 序列的结束值。
• num: 要生成的样本数。
• endpoint: 是否包含结束值。

np.reshape()

• shape: 指定数组的新形状。

np.tile()

• A: 要重复的数组。
• reps: 重复次数。

np.repeat()

• a: 要重复的元素数组。
• repeats: 每个元素重复的次数。

np.concatenate()

• tuple_of_arrays: 要连接的数组序列。
• axis: 指定连接的轴。

np.split()

• ary: 要分割的数组。
• indices_or_sections: 分割的数量或索引。

np.where()

• condition: 条件表达式。
• x, y: 条件为真和假时的结果。

np.argsort()

• a: 输入数组。
• axis: 排序的轴。

np.histogram()

• a: 输入数据。
• bins: 箱数或箱边界。
• range: 统计的数值范围。

结语

NumPy 是 Python 进行科学计算不可或缺的库，它为数据分析、机器学习、图像处理等领域提供了强大的支持。通过 NumPy，我们可以高效地处理和分析大规模数据集，极大地提升开发效率和数据处理能力。