NumPy百题精解：从入门到精通的100个练习

NumPy百题精解：从入门到精通的100个练习

numpy-100 100 numpy exercises (with solutions) 项目地址: https://gitcode.com/gh_mirrors/nu/numpy-100

NumPy作为Python科学计算的核心库，掌握其使用技巧对于数据分析、机器学习等领域至关重要。本文将深入解析100个NumPy经典练习，帮助读者系统性地掌握NumPy的核心功能。

基础操作篇

数组创建与初始化

1. 创建全零数组：使用np.zeros()可以快速创建指定形状的全零数组，这在初始化权重矩阵等场景非常实用。

   Z = np.zeros(10)  # 创建长度为10的全零向量
   

2. 特殊值填充：通过索引操作可以灵活修改数组元素，例如将第5个元素设为1：

   Z[4] = 1  # 注意Python索引从0开始
   

3. 序列生成：np.arange()类似于Python的range函数，但功能更强大：

   Z = np.arange(10,50)  # 生成10到49的连续整数
   

数组操作技巧

1. 数组反转：利用切片操作可以轻松实现数组反转：

   Z = Z[::-1]  # 步长为-1表示反向遍历
   

2. 矩阵重塑：reshape()方法可以改变数组维度而不改变数据：

   Z = np.arange(9).reshape(3,3)  # 创建3x3矩阵
   

3. 非零元素索引：np.nonzero()返回数组中非零元素的索引，在稀疏矩阵处理中很有用：

   nz = np.nonzero([1,2,0,0,4,0])
   

进阶应用篇

数学运算

1. 矩阵运算：NumPy提供了丰富的线性代数运算函数，如矩阵乘法：

   Z = np.dot(np.ones((5,3)), np.ones((3,2)))  # 5x3矩阵乘以3x2矩阵
   

2. 条件运算：通过布尔索引可以实现条件筛选：

   Z[(3 < Z) & (Z < 8)] *= -1  # 将3到8之间的元素取反
   

3. 归一化处理：标准化是数据预处理的常见操作：

   Z = (Z - np.mean(Z)) / np.std(Z)  # 标准化处理
   

特殊矩阵创建

1. 对角矩阵：np.diag()可以创建对角矩阵，k参数控制对角线位置：

   Z = np.diag(1+np.arange(4),k=-1)  # 主对角线下方创建对角矩阵
   

2. 棋盘矩阵：利用切片和赋值操作可以创建棋盘模式：

   Z[1::2,::2] = 1  # 奇数行偶数列设为1
   Z[::2,1::2] = 1  # 偶数行奇数列设为1
   

3. 结构化数组：NumPy支持复杂的数据结构：

   dtype = [("position", [("x", float), ("y", float)]), 
            ("color", [("r", float), ("g", float), ("b", float)])]
   

性能优化篇

高效计算技巧

1. 快速求和：对于小数组，np.add.reduce()比np.sum()更快：

   np.add.reduce(Z)  # 替代np.sum(Z)
   

2. 原地操作：使用out参数可以避免创建临时数组：

   np.add(A,B,out=B)  # 结果直接存入B
   

3. 广播机制：理解广播规则可以大幅简化代码：

   A * B[:,:,None]  # 5x5x3数组乘以5x5数组
   

内存优化

1. 内存查看：了解数组内存占用有助于优化：

   print(Z.size * Z.itemsize)  # 计算数组内存占用
   

2. 类型转换：合理选择数据类型可以节省内存：

   Z = Z.view(np.int32)  # 改变数组视图类型
   

3. 只读数组：设置flags.writeable可以保护数据：

   Z.flags.writeable = False  # 使数组不可修改
   

实际应用篇

日期处理

1. 日期计算：NumPy提供了强大的日期时间处理功能：

   yesterday = np.datetime64('today') - np.timedelta64(1)
   

2. 日期序列：可以生成连续的日期序列：

   Z = np.arange('2016-07', '2016-08', dtype='datetime64[D]')
   

图像处理

1. 颜色统计：统计图像中的唯一颜色数：

   colors = np.unique(I.reshape(-1, 3), axis=0)
   

2. 距离计算：计算点集间的距离矩阵：

   D = np.sqrt( (X-X.T)**2 + (Y-Y.T)**2)
   

随机数处理

1. 随机替换：在数组中随机放置元素：

   np.put(Z, np.random.choice(range(n*n), p, replace=False),1)
   

2. 极值处理：找到并处理数组中的极值：

   Z[Z.argmax()] = 0  # 将最大值替换为0
   

通过这100个练习，读者可以全面掌握NumPy的核心功能，从基础操作到高级应用，为后续的数据分析和科学计算打下坚实基础。建议读者实际运行每个示例代码，并尝试修改参数观察结果变化，以加深理解。

numpy-100 100 numpy exercises (with solutions) 项目地址: https://gitcode.com/gh_mirrors/nu/numpy-100