NumPy 函数库在数学建模中的基本使用方法

一、引言

在数学建模的世界里，我们常常需要处理大量的数据和进行复杂的数值计算。Python 中的 NumPy 库就像是一位得力的助手，它为我们提供了强大的多维数组对象和丰富的数学函数，让我们能够高效地完成各种数值计算任务。接下来，我们将深入探讨 NumPy 在数学建模中的基本使用方法。

二、数组的生成

2.1 基本数组生成

import numpy as np# 生成整型数组
a1 = np.array([1, 2, 3, 4])
a2 = a1.astype(float)
# 直接指定浮点数类型生成数组
a3 = np.array([1, 2, 3, 4], dtype=float)
print("a1 的数据类型:", a1.dtype)
print("a2 的数据类型:", a2.dtype)
print("a3 的数据类型:", a3.dtype)b = np.array([[1, 2, 3], [4, 5, 6]])
c = np.arange(1, 5)
d = np.linspace(1, 4, 4)
e = np.logspace(1, 3, 3, base=3)
print("对数等间距数组 e:", e)

在这段代码中，我们使用 np.array 函数来创建数组。astype 方法可以将数组的数据类型进行转换。np.arange 用于生成一个从起始值到结束值（不包含结束值），步长为 1 的等差数列。np.linspace 可以生成指定区间内的等间距数组，np.logspace 则用于生成对数等间距的数组。

2.2 特殊数组生成

import numpy as npa = np.ones(4, dtype=int)
b = np.ones((4,), dtype=int)
c = np.ones((4, 2))
print("全 1 一维数组 a:", a)
print("全 1 一维数组 b:", b)
print("全 1 二维数组 c:\n", c)d = np.zeros(4)
e = np.empty(3)
f = np.eye(3)
g = np.eye(5, k=1)
h = np.zeros_like(g)
print("全 0 一维数组 d:", d)
print("未初始化的一维数组 e:", e)
print("