Python常用库-nump的使用

NumPy 是 Python 编程语言中一个非常强大的库，主要用于进行数值计算。它提供了一个高效的多维数组对象以及用于操作这些数组的工具。NumPy 的核心特性之一是它的 ndarray（n-dimensional array），这是一个同质数据类型的多维数组。

下面是一些关于 NumPy 使用的详细说明：

安装 NumPy

确保已经安装了 NumPy。可以通过 pip 来安装：

pip install numpy

导入 NumPy

通常会使用别名 np 来导入 NumPy：

import numpy as np

创建数组

1. 使用列表创建数组

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

2. 多维数组

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)
# 输出:
# [[1 2 3]
#  [4 5 6]]

3. 使用特殊函数

• 全零数组 (zeros):

  arr = np.zeros((2, 3))
  print(arr)
  # 输出:
  # [[0. 0. 0.]
  #  [0. 0. 0.]]
  

• 全一数组 (ones):

  arr = np.ones((2, 3))
  print(arr)
  # 输出:
  # [[1. 1. 1.]
  #  [1. 1. 1.]]
  

• 空数组 (empty):

  arr = np.empty((2, 3))
  print(arr)
  # 输出:
  # [[0. 0. 0.]   # 数值不确定
  #  [0. 0. 0.]]
  

• 等差数组 (arange):

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

• 等比数组 (linspace):

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

• 随机数组 (random.rand):

  arr = np.random.rand(2, 3)
  print(arr)
  # 输出:
  # [[0.912 0.544 0.365]   # 数值随机
  #  [0.761 0.621 0.842]]
  

数组的基本操作

1. 数组形状和大小

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape)  # 输出: (2, 3)
print(arr.size)   # 输出: 6

2. 数据类型

arr = np.array([1, 2, 3], dtype=np.float32)
print(arr.dtype)  # 输出: float32

3. 转换数据类型

arr = np.array([1, 2, 3])
arr = arr.astype(np.float32)
print(arr.dtype)  # 输出: float32

4. 数组索引

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 1])  # 输出: 2

5. 数组切片

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, :2])  # 输出: [1 2]

6. 维度转换

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

7. 数组连接

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.concatenate((a, b))
print(c)
# 输出: [1 2 3 4 5 6]

8. 数组分割

arr = np.array([1, 2, 3, 4, 5, 6])
newarr = np.split(arr, 3)
print(newarr)
# 输出: [array([1, 2]), array([3, 4]), array([5, 6])]

数学运算

1. 算术运算

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = a + b
print(c)
# 输出: [5 7 9]

2. 广播机制

a = np.array([1, 2, 3])
b = 2
c = a * b
print(c)
# 输出: [2 4 6]

3. 统计函数

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.sum(arr))     # 输出: 21
print(np.mean(arr))    # 输出: 3.5
print(np.std(arr))     # 输出: 1.707825127659933

4. 最大最小值

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.max(arr))  # 输出: 6
print(np.min(arr))  # 输出: 1

5. 排序

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

索引与切片

1. 索引

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 1])  # 输出: 2

2. 切片

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 1:3])  # 输出: [2 3]

3. 高级索引

arr = np.array([[1, 2, 3], [4, 5, 6]])
rows = np.array([0, 1])
cols = np.array([1, 2])
print(arr[rows, cols])  # 输出: [2 6]

条件操作

1. 条件选择

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[arr > 3])  # 输出: [4 5 6]

2. where 函数

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.where(arr > 3, arr, -1))  # 输出: [[-1 -1 -1] [ 4  5  6]]

复杂操作

1. 矩阵乘法

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.dot(a, b)
print(c)
# 输出:
# [[19 22]
#  [43 50]]

2. 线性代数

a = np.array([[1, 2], [3, 4]])
b = np.array([5, 6])
x = np.linalg.solve(a, b)
print(x)
# 输出: [ -4.   4.5]

3. 矩阵的逆

a = np.array([[1, 2], [3, 4]])
inv_a = np.linalg.inv(a)
print(inv_a)
# 输出:
# [[-2.   1. ]
#  [ 1.5 -0.5]]