NumPy百题精解：从入门到精通的100个实用技巧

NumPy百题精解：从入门到精通的100个实用技巧

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，提供了强大的多维数组对象和丰富的数学运算功能。本文将围绕100个NumPy经典练习题目，系统性地讲解NumPy的核心概念和实用技巧。

基础操作篇

数组创建与初始化

NumPy提供了多种创建数组的方法，掌握这些基础操作是使用NumPy的第一步。

# 创建全零数组
Z = np.zeros(10)  # 创建长度为10的全零一维数组

# 创建特定范围的数组
Z = np.arange(10, 50)  # 创建从10到49的连续整数数组

# 创建单位矩阵
Z = np.eye(3)  # 创建3x3的单位矩阵

数组属性与信息获取

了解数组的基本属性对于调试和分析非常重要。

# 获取数组维度
print(Z.shape)  # 输出数组的形状

# 获取数组元素类型
print(Z.dtype)  # 输出数组元素的数据类型

# 获取数组内存大小
print("%d bytes" % (Z.size * Z.itemsize))  # 计算数组占用的内存大小

数组操作进阶

索引与切片技巧

NumPy提供了灵活的索引和切片操作，可以高效地访问和修改数组元素。

# 基本切片
Z = np.arange(50)
reversed_Z = Z[::-1]  # 反转数组

# 花式索引
Z = np.zeros(10)
Z[4] = 1  # 将第5个元素设为1

# 布尔索引
Z = np.arange(11)
Z[(3 < Z) & (Z < 8)] *= -1  # 将3到8之间的元素取反

数组形状操作

改变数组形状是数据处理中的常见需求。

# 改变数组形状
Z = np.arange(9).reshape(3, 3)  # 将一维数组转为3x3矩阵

# 数组转置
Z = np.random.random((3, 3))
Z_transpose = Z.T  # 矩阵转置

数学运算与统计

基本数学运算

NumPy提供了丰富的数学函数，可以高效地进行各种数学计算。

# 矩阵乘法
A = np.ones((5, 3))
B = np.ones((3, 2))
C = np.dot(A, B)  # 矩阵乘法

# 三角函数
angles = np.linspace(0, np.pi, 100)
sines = np.sin(angles)  # 计算正弦值

统计计算

NumPy内置了多种统计函数，可以方便地进行数据分析。

# 基本统计量
Z = np.random.random(30)
mean_val = Z.mean()  # 计算平均值
max_val = Z.max()  # 计算最大值

# 滑动平均
def moving_average(a, n=3):
    ret = np.cumsum(a, dtype=float)
    ret[n:] = ret[n:] - ret[:-n]
    return ret[n - 1:] / n

高级应用技巧

结构化数组

结构化数组可以存储复杂的数据结构，在处理表格数据时非常有用。

# 创建结构化数组
color_dtype = np.dtype([("r", np.ubyte),
                       ("g", np.ubyte),
                       ("b", np.ubyte),
                       ("a", np.ubyte)])

# 创建包含位置和颜色信息的数组
Z = np.zeros(10, [ ('position', [ ('x', float, 1),
                                ('y', float, 1)]),
               ('color',    [ ('r', float, 1),
                            ('g', float, 1),
                            ('b', float, 1)])])

日期时间处理

NumPy提供了专门的日期时间类型，方便进行时间序列分析。

# 日期计算
yesterday = np.datetime64('today') - np.timedelta64(1)
today = np.datetime64('today')
tomorrow = np.datetime64('today') + np.timedelta64(1)

# 生成日期序列
july_2016 = np.arange('2016-07', '2016-08', dtype='datetime64[D]')

性能优化技巧

避免不必要的拷贝

使用原地操作可以减少内存使用并提高性能。

# 原地操作示例
A = np.ones(3)*1
B = np.ones(3)*2
np.add(A, B, out=B)  # 将A+B的结果直接存入B

高效计算方法

选择合适的计算方法可以显著提高运算速度。

# 高效计算点积的对角线
A = np.random.uniform(0,1,(5,5))
B = np.random.uniform(0,1,(5,5))

# 低效方法
slow = np.diag(np.dot(A, B))

# 高效方法
fast = np.einsum("ij,ji->i", A, B)

实际应用案例

图像处理

NumPy数组可以用来表示图像数据，并进行各种处理。

# 创建棋盘图案
Z = np.zeros((8,8),dtype=int)
Z[1::2,::2] = 1  # 每隔一行设置交替的1
Z[::2,1::2] = 1  # 在剩余行设置交替的1

几何计算

NumPy可以方便地进行各种几何计算。

# 笛卡尔坐标转极坐标
Z = np.random.random((10,2))
X, Y = Z[:,0], Z[:,1]
R = np.sqrt(X**2+Y**2)  # 计算半径
T = np.arctan2(Y,X)  # 计算角度

通过这100个练习题的详细解析，我们系统地学习了NumPy的核心功能和实用技巧。从基础数组操作到高级应用，NumPy为科学计算提供了强大而高效的工具。掌握这些技巧将大大提升你的数据处理能力和工作效率。

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