玩转python：掌握Python常见库之NumPy_python的numpy库功能介绍-优快云博客

NumPy（Numerical Python）是Python科学计算的基础库，提供了高性能的多维数组对象和大量数学函数。作为数据科学和机器学习领域的核心工具，掌握NumPy是每个Python开发者的必备技能。本文将带你全面了解NumPy的核心功能，并通过丰富案例展示其强大能力。

一、NumPy简介与安装

NumPy的核心是ndarray（N-dimensional array）对象，这是一个快速、灵活的大数据容器，允许你在Python中进行向量化运算，避免了低效的循环操作。

安装NumPy非常简单：

pip install numpy

导入惯例：

import numpy as np

二、NumPy基础：数组创建与操作

案例1：创建数组的多种方式

# 从列表创建
arr1 = np.array([1, 2, 3, 4, 5])
print(arr1)  # 输出: [1 2 3 4 5]

# 创建全零数组
zeros = np.zeros((3, 3))
print(zeros)
# 输出:
# [[0. 0. 0.]
#  [0. 0. 0.]
#  [0. 0. 0.]]

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

# 创建等差数列
range_arr = np.arange(0, 10, 2)  # 从0开始，到10结束（不含），步长为2
print(range_arr)  # 输出: [0 2 4 6 8]

# 创建等间隔数组
linspace_arr = np.linspace(0, 1, 5)  # 0到1之间均匀分布的5个数
print(linspace_arr)  # 输出: [0.   0.25 0.5  0.75 1.  ]

# 创建随机数组
random_arr = np.random.rand(3, 2)  # 3行2列的随机数组(0-1之间)
print(random_arr)
# 输出示例:
# [[0.5488135  0.71518937]
#  [0.60276338 0.54488318]
#  [0.4236548  0.64589411]]

案例2：数组的基本属性

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

print("数组形状:", arr.shape)  # 输出: (2, 3)
print("数组维度:", arr.ndim)   # 输出: 2
print("数组元素总数:", arr.size)  # 输出: 6
print("数组数据类型:", arr.dtype)  # 输出: int64

三、NumPy核心功能

案例3：数组索引与切片

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 获取单个元素
print(arr[1, 2])  # 输出: 6 (第二行第三列)

# 切片获取子数组
print(arr[:2, 1:])  # 前两行，第二列到最后一列
# 输出:
# [[2 3]
#  [5 6]]

# 布尔索引
mask = arr > 5
print(mask)
# 输出:
# [[False False False]
#  [False False  True]
#  [ True  True  True]]
print(arr[mask])  # 输出: [6 7 8 9]

# 花式索引
print(arr[[0, 2], [0, 1]])  # 获取(0,0)和(2,1)位置的元素
# 输出: [1 8]

案例4：数组运算

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 元素级运算
print(a + b)  # 输出: [5 7 9]
print(a * b)  # 输出: [4 10 18]
print(a ** 2)  # 输出: [1 4 9]
print(np.sin(a))  # 输出: [0.84147098 0.90929743 0.14112001]

# 矩阵乘法
matrix_a = np.array([[1, 2], [3, 4]])
matrix_b = np.array([[5, 6], [7, 8]])
print(np.dot(matrix_a, matrix_b))
# 输出:
# [[19 22]
#  [43 50]]

# 统计运算
data = np.array([[1, 2], [3, 4], [5, 6]])
print("平均值:", np.mean(data))  # 输出: 3.5
print("列平均值:", np.mean(data, axis=0))  # 输出: [3. 4.]
print("行平均值:", np.mean(data, axis=1))  # 输出: [1.5 3.5 5.5]
print("总和:", np.sum(data))  # 输出: 21
print("最大值:", np.max(data))  # 输出: 6
print("最小值位置:", np.argmin(data))  # 输出: 0

案例5：数组形状操作

arr = np.arange(1, 10)  # [1 2 3 4 5 6 7 8 9]

# 改变形状
reshaped = arr.reshape(3, 3)
print(reshaped)
# 输出:
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]

# 展平数组
flattened = reshaped.flatten()
print(flattened)  # 输出: [1 2 3 4 5 6 7 8 9]

# 转置
transposed = reshaped.T
print(transposed)
# 输出:
# [[1 4 7]
#  [2 5 8]
#  [3 6 9]]

# 堆叠数组
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(np.vstack((a, b)))  # 垂直堆叠
# 输出:
# [[1 2 3]
#  [4 5 6]]
print(np.hstack((a, b)))  # 水平堆叠
# 输出: [1 2 3 4 5 6]

四、NumPy高级应用

案例6：广播机制

广播是NumPy对不同形状数组进行算术运算的方式。

# 标量与数组运算
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr + 10)
# 输出:
# [[11 12 13]
#  [14 15 16]]

# 不同形状数组运算
a = np.array([[1], [2], [3]])  # 形状(3,1)
b = np.array([10, 20, 30])     # 形状(3,)
print(a + b)
# 输出:
# [[11 21 31]
#  [12 22 32]
#  [13 23 33]]

# 更复杂的广播
matrix = np.ones((3, 3))
row = np.array([1, 2, 3])
print(matrix + row)
# 输出:
# [[2. 3. 4.]
#  [2. 3. 4.]
#  [2. 3. 4.]]

案例7：文件IO操作

# 保存和加载数组
arr = np.arange(10)
np.save('my_array.npy', arr)  # 保存为.npy文件
loaded_arr = np.load('my_array.npy')
print(loaded_arr)  # 输出: [0 1 2 3 4 5 6 7 8 9]

# 文本文件操作
data = np.array([[1.2, 3.4, 5.6], [7.8, 9.0, 1.1]])
np.savetxt('data.txt', data, delimiter=',')  # 保存为CSV
loaded_data = np.loadtxt('data.txt', delimiter=',')
print(loaded_data)
# 输出:
# [[1.2 3.4 5.6]
#  [7.8 9.  1.1]]

案例8：实用函数应用

# 多项式拟合
x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([0, 0.8, 0.9, 0.1, -0.8, -1.0])
coefficients = np.polyfit(x, y, 3)  # 3次多项式拟合
print(coefficients)  # 输出: [ 0.08703704 -0.81349206  1.69312169 -0.03968254]

# 线性代数
A = np.array([[1, 2], [3, 4]])
print("行列式:", np.linalg.det(A))  # 输出: -2.0
print("逆矩阵:\n", np.linalg.inv(A))
# 输出:
# [[-2.   1. ]
#  [ 1.5 -0.5]]

# 随机数生成
normal_dist = np.random.normal(0, 1, 1000)  # 均值为0，标准差为1的正态分布
print("均值:", np.mean(normal_dist))  # 接近0
print("标准差:", np.std(normal_dist))  # 接近1

# 唯一值与计数
data = np.array([1, 2, 2, 3, 3, 3, 4])
unique_values, counts = np.unique(data, return_counts=True)
print("唯一值:", unique_values)  # 输出: [1 2 3 4]
print("计数:", counts)         # 输出: [1 2 3 1]

五、NumPy性能优势

NumPy之所以快，主要因为：

连续内存存储
向量化操作避免了Python循环
底层用C实现

性能对比示例：

import time

# Python列表求和
py_list = list(range(1000000))
start = time.time()
sum(py_list)
print("Python列表耗时:", time.time() - start)

# NumPy数组求和
np_array = np.arange(1000000)
start = time.time()
np.sum(np_array)
print("NumPy数组耗时:", time.time() - start)