python 详解numpy_python numpy inv-CSDN博客

本文链接：https://blog.csdn.net/weixin_46121540/article/details/129648437

让我们深入了解一下 NumPy。NumPy 是 Python 中用于科学计算和数据分析的基础库之一。它提供了高效的多维数组对象 ndarray，以及许多用于数组计算、线性代数、傅里叶变换等方面的函数和工具。

安装 NumPy

首先，我们需要安装 NumPy 库。可以使用 pip 工具来完成安装：

pip install numpy

安装完成后，即可在 Python 脚本中导入 NumPy 库：


import numpy as np

创建 ndarray

在 NumPy 中，最重要的数据结构是 ndarray（N-dimensional array）。ndarray 是一个多维数组对象，由相同类型的元素组成。以下是创建 ndarray 的几种常见方式。

使用 array() 函数创建

可以使用 array() 函数来创建一个 ndarray。该函数接受一个序列（例如列表或元组）作为输入，并返回一个新的包含指定序列数据的 ndarry 对象。

python
import numpy as np

a = np.array([1, 2, 3])
print(a) # 输出：[1 2 3]

array() 函数还可以接受一个 dtype 参数，用于指定返回的 ndarry 对象中元素的类型：

python
import numpy as np

a = np.array([1, 2, 3], dtype=float)
print(a) # 输出：[1. 2. 3.]

使用 arange() 函数创建

arange() 函数类似于 Python 内置函数 range()，但它返回的是一个 ndarray 对象而不是列表。该函数接受三个参数：起始值（默认为0）、结束值（不包括）、步长（默认为1）。

python
import numpy as np

a = np.arange(0, 10, 2)
print(a) # 输出：[0 2 4 6 8]

使用 linspace() 函数创建

linspace() 函数用于创建等间隔数列。该函数接受三个参数：起始值、结束值、元素个数。

python
import numpy as np

a = np.linspace(0, 10, num=5)
print(a) # 输出：[0.   2.5  5.   7.5 10. ]

使用 zeros() 和 ones() 函数创建

zeros() 和 ones() 函数分别用于创建全零和全一矩阵。这两个函数都接受一个表示矩阵形状的元组作为输入参数。

python
import numpy as np

a = np.zeros((3,3))
print(a) # 输出：
# [[0. 0. 0.]
# [0. 0. 0.]
# [0. 0. 0.]]

b = np.ones((2,4))
print(b) # 输出：
# [[1., 1., 1., 1.],
# [1., 1., 1., 1.]]

c = np.eye(3)
print(c) # 输出：
# [[1., 0., 0.],
# [0., 1., 0.],
# [0., 0., 1.]]

d = np.diag([2,4,6])
print(d) # 输出：
# [[2, 0, 0],
# [0, 4, 0],
# [0, 0, 6]]

数组属性与操作

在 NumPy 中，ndarray 具有许多属性和操作，下面介绍其中几个常见的属性和操作。

数组形状与大小

ndarray 对象有两个重要属性 shape 和 size 分别表示其形状和大小：

python
import numpy as np

a = np.array([[1,2],[3,4]])
print(a.shape) # 输出：(2,2)

b = a.reshape((4,))
print(b.shape) # 输出：(4,)

size 属性表示数组中元素总数：

python
import numpy as np

a = np.array([[1,2],[3,4]])print(a.size) # 输出：12

### 数组索引和切片与 Python 列表一样，ndarray 对象也可以通过索引和切片来访问其中的元素。但是，由于 ndarray 是多维数组对象，因此其索引和切片方式也有所不同。#### 索引对于一维数组，可以使用类似列表的方式来进行索引：

import numpy as npa = np.array([1, 2, 3])print(a[0]) # 输出：1对于多维数组，则需要指定每个轴上的索引值：
pythonimport numpy as npa = np.array([[1, 2], [3, 4]])print(a[0, 0]) # 输出：1#### 切片对于一维数组，切片方式与列表相同：
pythonimport numpy as npa = np.array([1, 2, 3])print(a[:2]) # 输出：[1 2]对于多维数组，则需要在每个轴上指定要取得的范围：
pythonimport numpy as npa = np.array([[1, 2], [3, 4], [5, 6]])print(a[:2,:1]) # 输出：# [[1]# [3]]### 数组运算在 NumPy 中，ndarray 对象支持基本的数学运算符（如 +、-、* 和 /）以及其他操作（如矩阵乘法）。这些运算符都是按元素执行的。
pythonimport numpy as npa = np.array([1, 2, 3])b = np.array([4, 5, 6])c = a + b d = a * b e = a.dot(b)print(c) # 输出：[5 7 9]print(d) # 输出：[4 10 18]print(e) # 输出：32除了逐元素计算之外，NumPy 还提供了许多函数用于处理 ndarry 对象。例如 sum() 函数可用于计算所有元素的总和：
pythonimport numpy as npa = np.array([1, 2, 3])b = a.sum()print(b) # 输出：6## 广播机制广播机制（broadcasting）是 NumPy 中一个非常强大的功能。它允许不同形状的数组进行数学运算而无需复制数据。简单地说，广播机制会自动扩展维度较小的数组，并将其重复以匹配另一个较大数组。例如，在以下示例中，我们将一个标量加到一个二维矩阵中：
pythonimport numpy as npa = np.ones((3,3))b = a + 3 print(b)# 输出：# [[4. 4. 4.]# [4. 4. 4.]# [4. 4. 4.]]在这里，标量值被扩展为一个形状与 a 相同的二维矩阵，并且两个矩阵相加得到结果 b。## 线性代数运算NumPy 提供了许多用于线性代数计算的函数和工具。下面介绍几个常见的线性代数运算。### 点积（内积）点积是两个向量之间进行乘法运算并求和得到结果。在 NumPy 中可以使用 dot() 函数来计算点积。
pythonimport numpy as npa = [1,2]b = [3,4]c = np.dot(a,b)print(c) # 输出：11