当前位置：首页 > news >正文

Numpy 数组操作：高效的数据处理利器

news 来源：原创 2025/6/2 2:00:58

在数据分析和科学计算领域，Numpy 是 Python 中不可或缺的库之一。它提供了强大的多维数组对象以及大量用于操作这些数组的函数。本文将详细介绍 Numpy 数组的基本操作，包括数组的创建、索引、切片、形状变换、数组运算等，帮助你快速掌握 Numpy 的核心功能。

一、Numpy 数组的创建

Numpy 提供了多种创建数组的方法（前面有具体写过），最常用的是通过 numpy.array() 函数。

import numpy as np# 从列表创建数组
list_data = [1, 2, 3, 4, 5]
array_from_list = np.array(list_data)
print("从列表创建的数组：", array_from_list)# 创建多维数组
nested_list = [[1, 2, 3], [4, 5, 6]]
multi_dim_array = np.array(nested_list)
print("多维数组：\n", multi_dim_array)

注释：

np.array() 是创建数组的核心函数，它接受一个可迭代对象作为输入。
多维数组可以通过嵌套列表创建。

二、数组的基本属性

Numpy 数组具有多个重要属性，如形状（shape）、维度（ndim）和数据类型（dtype）。

# 查看数组属性
print("数组形状：", multi_dim_array.shape)  # 输出 (2, 3)
print("数组维度：", multi_dim_array.ndim)   # 输出 2
print("数组数据类型：", multi_dim_array.dtype)  # 输出 int64

注释：

shape 属性返回一个元组，表示数组的维度大小。
ndim 表示数组的维度数量。
dtype 表示数组中元素的数据类型。

三、数组的索引与切片

Numpy 数组的索引和切片与 Python 列表类似，但功能更强大。

# 一维数组索引
print("一维数组索引：", array_from_list[2])  # 输出 3# 多维数组索引
print("多维数组索引：", multi_dim_array[1, 2])  # 输出 6# 一维数组切片
print("一维数组切片：", array_from_list[1:4])  # 输出 [2, 3, 4]# 多维数组切片
print("多维数组切片：\n", multi_dim_array[:, 1:3])  # 输出 [[2, 3], [5, 6]]

注释：

一维数组的索引和切片与 Python 列表类似。
多维数组的索引需要使用多个索引值，切片操作可以通过 : 来指定范围。

四、数组的形状变换

Numpy 提供了多种方法来改变数组的形状，而不会改变其数据。

# 改变数组形状
original_array = np.array([1, 2, 3, 4, 5, 6])
reshaped_array = original_array.reshape(2, 3)
print("改变形状后的数组：\n", reshaped_array)# 转置数组
transposed_array = reshaped_array.T
print("转置后的数组：\n", transposed_array)

注释：

reshape() 方法可以将数组重新组织成指定的形状。
T 属性可以快速转置数组。

五、数组的运算

Numpy 数组支持元素级的运算，这使得它在处理大规模数据时非常高效。

# 数组加法（对应位置相互运算）
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
result_add = array1 + array2
print("数组加法：", result_add)  # 输出 [5, 7, 9]# 数组乘法（对应位置相互运算）
result_mul = array1 * array2
print("数组乘法：", result_mul)  # 输出 [4, 10, 18]# 广播机制（“转换成”对应位置相互运算）
array3 = np.array([[1, 2, 3], [4, 5, 6]])
scalar = 2
result_broadcast = array3 + scalar
print("广播机制：\n", result_broadcast)

注释：

Numpy 数组的加法和乘法是元素级的。
广播机制允许较小的数组在运算中自动扩展为较大的数组。

六、数组的统计方法

Numpy 提供了许多统计方法，如求和、平均值、最大值等。

# 求和
print("数组求和：", array3.sum())  # 输出 21# 平均值
print("数组平均值：", array3.mean())  # 输出 3.5# 最大值
print("数组最大值：", array3.max())  # 输出 6# 按轴操作
print("按轴求和：", array3.sum(axis=1))  # 输出 [6, 15]

注释：

sum()、mean() 和 max() 等方法可以对整个数组进行统计。
使用 axis 参数可以指定按行或按列进行操作。

七、数组的布尔索引

布尔索引是 Numpy 的强大功能之一，它允许我们根据条件筛选数据。

# 布尔索引
array4 = np.array([1, 2, 3, 4, 5])
condition = array4 > 3
filtered_array = array4[condition]
print("布尔索引结果：", filtered_array)  # 输出 [4, 5]

注释：

布尔索引通过条件表达式生成布尔数组，然后用布尔数组来筛选数据。

八、数组的合并与拆分

Numpy 提供了多种方法来合并和拆分数组。

# 数组合并
array_a = np.array([1, 2, 3])
array_b = np.array([4, 5, 6])
concatenated_array = np.concatenate((array_a, array_b))
print("合并后的数组：", concatenated_array)  # 输出 [1, 2, 3, 4, 5, 6]# 数组拆分
split_arrays = np.split(concatenated_array, 2)
print("拆分后的数组：", split_arrays)  # 输出 [array([1, 2, 3]), array([4, 5, 6])]

注释：