一文彻底拿下Python中的Numpy框架

程序员Feri一名12年+的程序员,做过开发带过团队创过业,擅长Java、鸿蒙、嵌入式、人工智能等开发,专注于程序员成长的那点儿事,希望在成长的路上有你相伴！君志所向,一往无前！

---

1.Numpy

Numpy是一个Python科学计算库，提供了高性能的多维数组对象以及对这些数组进行操作的函数。是许多其他数据科学和机器学习库的基础，总而言之，就是可以提高数据计算的库。

在Python的世界里，Numpy就像空气一样无处不在。不仅是数据科学的基石，更是机器学习、图像处理等领域的必备工具。相比Python原生的列表（List），Numpy的数组（Array）有三大杀手锏：

​速度快：运算速度提升10-100倍

​内存省：存储相同数据可节省75%内存

​功能强：支持矩阵运算、广播机制等高级功能

2.安装和初体验

使用pip安装

pip install numpy

验证是否可用，再python文件中，实现如下代码：

# 导入numpy框架
import numpy as np

print(np.__version__)  # 输出版本号

3.numpy核心作用

3.numpy使用

3.1 数组创建

数组的五种创建方式

# 导入numpy框架
import numpy as np

# 从列表创建
arr1 = np.array([1, 2, 3])          # 一维数组
arr2 = np.array([[1, 2], [3, 4]])    # 二维数组

# 特殊数组生成
zeros = np.zeros((3,3))    # 3x3全零矩阵
print("3x3全零矩阵：")
print(zeros)
ones = np.ones((2,4))      # 2x4全一矩阵
print("2x4全一矩阵：")
print(ones)
eye = np.eye(3)            # 3x3单位矩阵
print("3x3单位矩阵：")
print(eye)

# 数值范围生成
range_arr = np.arange(0, 10, 2)  # [0 2 4 6 8]
print("数值范围：整数")
print(range_arr)

lin_arr = np.linspace(0, 1, 5)   # [0.   0.25 0.5  0.75 1.  ]
print("数值范围：小数")
print(lin_arr)

# 随机数组
rand_arr = np.random.rand(2,3)  # 2x3的随机矩阵（0-1均匀分布）
print("随机数组：")
print(rand_arr)

normal_arr = np.random.normal(0, 1, (3,3))  # 正态分布矩阵
print("正态分布矩阵：")
print(normal_arr)

3.2 数组变形

# 导入numpy框架
import numpy as np

arr = np.arange(12)

print(arr.reshape(3,4))   # 改为3行4列
print(arr.reshape(2,3,2)) # 三维数组
print(arr.flatten())      # 展平为一维
print(arr.T)              # 转置（二维时有效）

3.3 数组的索引

# 导入numpy框架
import numpy as np

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

print(arr[0, 1])   # 输出2（第0行第1列）
print(arr[1:3, :2])# 获取第1-2行的前两列

# 布尔索引
mask = arr > 5
print(arr[mask])  # 输出所有大于5的元素

# 花式索引
print(arr[[0,2], [1,1]])  # 取(0,1)和(2,1)位置的值

3.4 数组运算：向量化操作

Numpy的核心魔法：无需循环即可操作整个数组

# 导入numpy框架
import numpy as np

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

print(a + b)   # [5 7 9]
print(a * 2)   # [2 4 6]
print(np.sin(a))  # 计算每个元素的正弦值

3.5 广播机制

当数组形状不同时，Numpy会自动扩展较小数组

# 导入numpy框架
import numpy as np

A = np.array([[1,2], [3,4]])
B = np.array([10, 20])

print(A + B)  # [[11 22], [13 24]]

3.6 统计函数

# 导入numpy框架
import numpy as np

arr = np.random.randn(100)  # 100个正态分布随机数

print("平均值：s%"+np.mean(arr))     # 平均值
print("标准差："+np.std(arr))      # 标准差
print("90分位数："+np.percentile(arr, 90))  # 90分位数

3.7 线性代数

# 导入numpy框架
import numpy as np
A = np.array([[1,2], [3,4]])
B = np.array([[5,6], [7,8]])

print("矩阵乘法：",A.dot(B))        # 矩阵乘法
print("行列式：",np.linalg.det(A))  # 行列式
print("逆矩阵：",np.linalg.inv(A))  # 逆矩阵

学习Numpy就像学骑自行车，刚开始可能会摇摇晃晃，但一旦掌握核心技巧，你就能在数据科学的赛道上飞驰！现在打开你的Python编辑器，动手实践这些代码吧！

好啦，就到这里啦，加油，努力！