NumPy 数组操作秘籍：助力数据处理与科学计算。
微信搜索关注《Python学研大本营》
1 数组创建与操作
-
创建数组：
numpy.array([1, 2, 3]) -
创建等差序列：
numpy.arange(start, stop, step) -
创建均匀分布的值：
numpy.linspace(start, stop, num) -
创建全零数组：
numpy.zeros(shape) -
创建全一数组：
numpy.ones(shape) -
创建单位矩阵：
numpy.eye(n) -
重塑数组：
array.reshape(new_shape) -
扁平化数组：
array.flatten() -
转置数组：
array.T -
水平拼接数组：
numpy.hstack((array1, array2)) -
垂直拼接数组：
numpy.vstack((array1, array2)) -
分割数组：
numpy.split(array, indices_or_sections)
2 数组索引与切片
-
访问元素：
array[i] -
切片数组：
array[start:stop:step] -
访问最后一个元素：
array[-1] -
访问多个元素：
array[[1, 3, 5]] -
使用布尔索引：
array[array > 0] -
通过索引设置元素：
array[i] = value -
反转数组：
array[::-1]
3 数学运算
-
逐元素相加：
array1 + array2 -
逐元素相减：
array1 - array2 -
逐元素相乘：
array1 * array2 -
逐元素相除：
array1 / array2 -
计算点积：
numpy.dot(array1, array2) -
计算矩阵乘法：
numpy.matmul(array1, array2) -
逐元素求平方根：
numpy.sqrt(array) -
逐元素求指数：
numpy.exp(array) -
逐元素求对数：
numpy.log(array) -
逐元素求正弦值：
numpy.sin(array) -
逐元素求余弦值：
numpy.cos(array) -
逐元素求和：
numpy.sum(array) -
计算累积和：
numpy.cumsum(array)
4 统计运算
-
计算均值：
numpy.mean(array) -
计算中位数：
numpy.median(array) -
计算标准差：
numpy.std(array) -
计算方差：
numpy.var(array) -
查找最小值：
numpy.min(array) -
查找最大值：
numpy.max(array) -
查找最小值的索引：
numpy.argmin(array) -
查找最大值的索引：
numpy.argmax(array) -
计算相关系数：
numpy.corrcoef(array1, array2)
5 随机操作
-
生成随机数：
numpy.random.rand(shape) -
生成随机整数：
numpy.random.randint(low, high, size) -
打乱数组：
numpy.random.shuffle(array) -
随机选择元素：
numpy.random.choice(array, size)
6 线性代数
-
计算特征值和特征向量：
numpy.linalg.eig(array) -
求解线性方程组：
numpy.linalg.solve(A, b) -
计算矩阵行列式：
numpy.linalg.det(array) -
计算矩阵的逆：
numpy.linalg.inv(array)
7 数组比较
-
逐元素相等比较：
array1 == array2 -
逐元素不等比较：
array1 != array2 -
检查是否有元素为True：
numpy.any(array) -
检查所有元素是否都为True：
numpy.all(array)
8 排序
-
对数组进行排序：
numpy.sort(array) -
沿指定轴排序：
numpy.sort(array, axis=0) -
获取排序后元素的索引：
numpy.argsort(array)
9 集合操作
-
查找唯一元素：
numpy.unique(array) -
查找交集：
numpy.intersect1d(array1, array2) -
查找并集：
numpy.union1d(array1, array2) -
查找差集：
numpy.setdiff1d(array1, array2)
10 广播机制
-
对不同形状的数组执行操作：广播机制会自动扩展较小的数组。
-
重塑数组以方便广播。
11 内存效率
-
使用NumPy的视图（例如
array.view()）进行高效内存切片。 -
使用
numpy.copy()创建数组的深拷贝。
12 向量化
-
使用向量化操作提升性能。
-
尽可能避免显式循环。
13 文件输入/输出
-
将数组保存到文本文件：
numpy.savetxt(filename, array) -
从文本文件加载数组：
numpy.loadtxt(filename)
14 日期处理
使用numpy.datetime64进行日期和时间操作。
15 多项式运算
-
定义多项式：
numpy.poly1d([系数]) -
计算多项式的值：
poly(x)
16 图像处理
使用NumPy进行基本的图像处理（例如裁剪、调整大小）。
17 掩码数组
使用掩码数组（numpy.ma）处理缺失或无效数据。
18 插值
对数据进行插值：numpy.interp(x, xp, fp)
19 傅里叶变换
-
执行一维傅里叶变换：
numpy.fft.fft(array) -
执行二维傅里叶变换：
numpy.fft.fft2(array)
20 常数
访问数学常数，如numpy.pi和numpy.e。
21 多项式拟合
对数据进行多项式拟合：numpy.polyfit(x, y, degree)
22 内存映射
使用内存映射数组高效访问大型数据集。
23 多项式求根
求多项式的根：numpy.roots(系数)
24 N维数组
创建N维数组：numpy.ndarray(shape)
25 掩码值
根据条件掩码值：numpy.ma.masked_where(condition, array)
26 NaN和无穷值处理
处理NaN和无穷值：numpy.isnan()和numpy.isinf()
27 堆叠
沿新轴堆叠数组：numpy.stack(arrays, axis)
28 直方图
计算直方图：numpy.histogram(array, bins)
29 卷积
-
执行一维卷积：
numpy.convolve(array1, array2) -
执行二维卷积：
numpy.convolve2d(array1, array2)
30 广播规则
理解并利用NumPy的广播规则。
31 克罗内克积
计算克罗内克积：numpy.kron(array1, array2)
32 花式索引
使用索引数组进行高级索引。
33 多项式积分
对多项式进行积分：numpy.polyint(poly)
34 NaN处理
处理NaN值：numpy.nan_to_num(array)
35 向量堆叠
将一维数组堆叠成二维数组：numpy.column_stack((array1, array2))
36 网格生成
创建坐标网格：numpy.meshgrid(x, y)
37 多项式求导
对多项式求导：numpy.polyder(poly)
38 多项式求值
在特定值处计算多项式的值：numpy.polyval(poly, x)
39 步长技巧
使用numpy.lib.stride_tricks实现高效内存使用。
40 C序与F序
根据访问模式理解并选择数组顺序（C序或Fortran序）。
41 NaN传播
使用numpy.nanmean()等函数妥善处理NaN值。
42 einsum函数
利用numpy.einsum进行高级张量运算。
这些技巧涵盖了NumPy的广泛功能。根据具体用例，某些技巧可能比其他技巧更适用。
推荐书单
《LangChain大模型AI应用开发实践》
本书是一本深度探索LangChain框架及其在构建高效AI应用中所扮演角色的权威教程。本书以实战为导向，系统介绍了从LangChain基础到高级应用的全过程，旨在帮助开发者迅速掌握这一强大的工具，解锁人工智能开发的新维度。
本书内容围绕LangChain快速入门、Chain结构构建、大模型接入与优化、提示词工程、高级输出解析技术、数据检索增强（RAG）、知识库处理、智能体（agent）开发及其能力拓展等多个层面展开。通过详实的案例分析与步骤解说，读者可以学会整合如ChatGLM等顶尖大模型，运用ChromaDB进行高效的向量检索，以及设计与实现具有记忆功能和上下文感知能力的AI智能体。此外，书中还介绍了如何利用LangChain提升应用响应速度、修复模型输出错误、自定义输出解析器等实用技巧，为开发者提供了丰富的策略与工具。
本书主要面向AI开发者、数据科学家、机器学习工程师，以及对自然语言处理和人工智能应用感兴趣的中级和高级技术人员。
【5折促销中】购买链接：https://item.jd.com/14848506.html
精彩回顾
百度App接入满血版DeepSeek，10条超级Python脚本赋能职场
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
