NumPy基本操作：掌握科学计算的基石

NumPy基本操作：掌握科学计算的基石

作为一名资深的Python程序员，我深知NumPy在科学计算和数据分析中的核心地位。NumPy不仅提供了强大的多维数组对象ndarray，还封装了一系列基本操作，使得处理大型数据集变得简单而高效。本文将详细介绍NumPy的基本操作，包括数组的创建、查看、文件IO操作、数据类型转换、数组运算等。

1. 数组的创建

NumPy的核心是ndarray，即多维数组对象。创建数组最简单的方法是使用array函数，将Python列表转换为ndarray。

import numpy as np
alist = [1, 3, 5, 7, 9]
arr = np.array(alist)
print(arr)  # 输出：[1 3 5 7 9]

除了直接从列表创建数组，NumPy还提供了多种内置函数来生成特定类型的数组：

• np.ones：生成全1数组。
• np.zeros：生成全0数组。
• np.full：生成填充特定值的数组。
• np.arange：生成等差数列数组。
• np.linspace：在指定范围内生成指定数量的等间隔数组。
• np.random.randint：生成随机整数数组。
• np.random.randn：生成正态分布的随机数数组。

2. 数组的查看

NumPy的数组类ndarray具有多个重要属性，如维度、形状、元素个数和元素类型。

arr = np.random.randint(0, 100, size=(3, 4, 5))
print(arr.ndim)  # 输出数组的维度
print(arr.shape)  # 输出数组的形状
print(arr.size)  # 输出数组元素的个数
print(arr.dtype)  # 输出数组元素的类型

3. 文件IO操作

NumPy提供了方便的文件读写操作，支持保存和读取数组到文件中。

• np.save：保存单个数组到.npy文件。
• np.savez：保存多个数组到.npz文件。
• np.load：读取.npy或.npz文件中的数组。

x = np.random.randn(5)
np.save("x_arr.npy", x)  # 保存单个数组

np.savez("some_array.npz", xarr=x, yarr=np.arange(0, 10))  # 保存多个数组

loaded_x = np.load("x_arr.npy")  # 加载单个数组
loaded_y = np.load("some_array.npz")["yarr"]  # 加载多个数组中的一个

4. 数据类型

NumPy支持多种数据类型，包括整数类型（int8、int16、int32、int64）和浮点类型（float16、float32、float64）。通过astype方法可以转换数组的数据类型，从而减少内存占用。

arr = np.random.randint(0, 100, size=(3, 4, 5))
print(arr.dtype)  # 查看原始数据类型
print(arr.nbytes)  # 查看原始数组占用的字节数

arr_float32 = arr.astype(np.float32)
print(arr_float32.dtype)  # 查看转换后的数据类型
print(arr_float32.nbytes)  # 查看转换后数组占用的字节数

5. 数组运算

NumPy支持丰富的数组运算，包括算数运算、逻辑运算和比较运算。

• 算数运算：如加法、减法、乘法、除法和幂运算。
• 逻辑运算：如与（&）、或（|）、非（~）。
• 比较运算：如等于（==）、不等于（!=）、大于（>）、小于（<）。

arr1 = np.array([1, 2, 3, 4, 5])
arr2 = np.array([2, 3, 1, 5, 9])
print(arr1 - arr2)  # 减法
print(arr1 * arr2)  # 乘法
print(arr1 / arr2)  # 除法
print(arr1 ** arr2)  # 幂运算