有没有个人网站甘肃百度推广电话
一、NumPy 简介
1.1 NumPy 特性
- 高性能科学计算库：专为处理多维数组设计，底层用 C 语言实现，运算速度远超 Python 原生列表。
- 矢量运算：支持批量数据操作，避免显式循环，代码更简洁高效。
- 广播机制：自动处理不同形状数组间的运算。
- 丰富函数库：包含线性代数、傅里叶变换、随机数等功能。
1.2 应用场景
- 数据分析：处理大规模结构化数据。
- 机器学习：作为 TensorFlow/PyTorch 等框架的底层支持。
- 科学计算：物理模拟、统计学分析。
- 图像处理：多维数组表示像素数据。
1.3 安装与导入
pip install numpyimport numpy as np二、NumPy 基础 —— 数组对象
2.1 数组与列表对比
| 特性 | NumPy 数组 (ndarray) | Python 列表 (list) |
| 数据类型 | 元素类型必须一致 | 可包含任意类型元素 |
| 内存存储 | 连续内存空间，访问速度快 | 非连续存储，访问较慢 |
| 运算效率 | 支持向量化运算，速度快 | 需显式循环，速度慢 |
| 维度支持 | 支持 n 维数组 | 仅支持一维结构 |
2.2 创建数组的四种方式
| 方法 | 语法 | 示例 |
| np.array() | 从列表 / 元组创建 | arr1 = np.array([10, 20, 30, 40]) |
| np.arange() | 生成等差数列 | arr2 = np.arange(0, 10, 2) |
| np.random | 生成随机数组 | arr3 = np.random.random((2, 3)) |
| 特殊函数 | zeros/ones/full/eye | arr_zeros = np.zeros((3, 3)) |
代码示例
通过np.array创建数组
import numpy as np
a = np.array([1, 2, 3, 4])
print(a) # 输出结果: [1 2 3 4]通过np.arange创建数组
import numpy as np
a = np.arange(0, 10, 2) # 创建0-10,步数为2的数组
print(a) # 输出结果: [0 2 4 6 8]通过np.random.random创建数组
import numpy as np
a = np.random.random((2, 3))
print(a) # 输出类似于: [[0.04631855 0.21257259 0.73199394]# [0.59865848 0.15601864 0.15599452]]通过特殊函数创建数组
import numpy as np
array_zeros = np.zeros((3, 3)) # 3行3列全零数组
array_ones = np.ones((4, 4)) # 4行4列全一数组
array_full = np.full((2, 3), 9) # 值为9的2行3列数组
array_eye = np.eye(4) # 生成一个在斜方形上元素为1,其他元素都为0的4行4列矩阵
print(array_zeros) # 输出: [[0. 0. 0.]# [0. 0. 0.]# [0. 0. 0.]]
print(array_ones) # 输出: [[1. 1. 1. 1.]# [1. 1. 1. 1.]# [1. 1. 1. 1.]# [1. 1. 1. 1.]]
print(array_full) # 输出: [[9 9 9]# [9 9 9]]
print(array_eye) # 输出: [[1. 0. 0. 0.]# [0. 1. 0. 0.]# [0. 0. 1. 0.]# [0. 0. 0. 1.]]三、数组数据类型
3.1 核心数据类型
| 类型 | 描述 | 标识符 | 示例 |
| bool | 布尔值 | b | True/False |
| int8 | 1 字节整数 | i1 | -128~127 |
| int32 | 4 字节整数 | i4 | -2147483648~2147483647 |
| float16 | 半精度浮点数 | f2 | 16 位，精度约 3 位小数 |
| float64 | 双精度浮点数 | f8 | 标准浮点数 |
| object | Python 对象 | O | 存储类实例等 |
3.2 类型操作
查询数据类型
import numpy as npclass Person: # 定义Person类def __init__(self, name, age):self.name = nameself.age = agezs = Person('张三', 18) # 产生对象
ls = Person('李四', 20)
d = np.array([zs, ls])
print(d) # 输出: [__main__.Person object at 0x00000176CB4F2208 __main__.Person object at 0x00000176CB4F2288]
print(d.dtype) # 输出: dtype('O')创建数组指定数据类型
import numpy as np
a = np.array([1, 2, 3, 4, 5], dtype='int32') # 使用dtype指定创建数组的数据类型
print(a) # 输出结果: [1 2 3 4 5]
print(a.dtype) # 输出: int32修改数据类型
import numpy as np
a = np.array([1, 2, 3, 4, 5])
f = a.astype('float16') # 使用astype改变数组的数据类型
print(f.dtype) # 输出结果: float16四、多维数组操作
4.1 维度与形状
| 数组 | 维度 (ndim) | 形状 (shape) | 含义 |
| [1,2,3] | 1 | (3,) | 一维数组，3 个元素 |
| [[1,2],[3,4]] | 2 | (2,2) | 2 行 2 列二维数组 |
| [[[1,2],[3,4]],[[5,6],[7,8]]] | 3 | (2,2,2) | 3 维数组，2 个 2x2 矩阵 |
4.2 基本操作
数组维度查询
import numpy as np
a1 = np.array([1, 2, 3])
a2 = np.array([[1, 2, 3], [4, 5, 6]])
a3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
print(a1.ndim) # 输出: 1
print(a2.ndim) # 输出: 2
print(a3.ndim) # 输出: 3数组形状查询
import numpy as np
a1 = np.array([1, 2, 3])
a2 = np.array([[1, 2, 3], [4, 5, 6]])
a3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
print(a1.shape) # 输出: (3,)
print(a2.shape) # 输出: (2, 3)
print(a3.shape) # 输出: (2, 2, 3)修改数组形状
import numpy as np
a1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
a2 = a1.reshape((2, 6)) # reshape是将数组转换成指定的形状，然后返回转换后的结果，原数组的形状不会发生改变
print(a2) # 输出: [[ 1 2 3 4 5 6]# [ 7 8 9 10 11 12]]
print(a1.shape) # 输出: (4, 3)
a1.resize((4, 3)) # resize是将数组转换成指定的形状，会直接修改数组本身，并且不会返回任何值
print(a1) # 输出: [[1 2 3]# [4 5 6]# [7 8 9]# [10 11 12]]通过特殊函数创建数组
import numpy as np
array_zeros = np.zeros((3, 3)) # 3行3列全零数组
array_ones = np.ones((4, 4)) # 4行4列全一数组
array_full = np.full((2, 3), 9) # 值为9的2行3列数组
array_eye = np.eye(4) # 生成一个在斜方形上元素为1,其他元素都为0的4行4列矩阵
print(array_zeros) # 输出: [[0. 0. 0.]# [0. 0. 0.]# [0. 0. 0.]]
print(array_ones) # 输出: [[1. 1. 1. 1.]# [1. 1. 1. 1.]# [1. 1. 1. 1.]# [1. 1. 1. 1.]]
print(array_full) # 输出: [[9 9 9]# [9 9 9]]
print(array_eye) # 输出: [[1. 0. 0. 0.]# [0. 1. 0. 0.]# [0. 0. 1. 0.]# [0. 0. 0. 1.]]4.3 素组索引
下标索引
import numpy as np
a = np.arange(6) # 一维数组
print(a) # 输出: [0 1 2 3 4 5]
print(a[2]) # 输出: 2
print(a[-2]) # 输出: 4（从后往前数第2个）a = np.arange(9).reshape(3, 3) # 二维数组
print(a) # 输出: [[0 1 2]# [3 4 5]# [6 7 8]]
print(a[0][1]) # 输出: 1
print(a[0, 1]) # 输出: 1切片索引
import numpy as np
a = np.arange(6) # 一维数组
print(a) # 输出: [0 1 2 3 4 5]
print(a[1:5]) # 输出: [1 2 3 4]
print(a[1:5:2]) # 输出: [1 3]
print(a[::2]) # 输出: [0 2 4]
print(a[::-1]) # 输出: [5 4 3 2 1 0]a = np.arange(9).reshape(3, 3) # 二维数组
print(a) # 输出: [[0 1 2]# [3 4 5]# [6 7 8]]
print(a[1:3, 1:2]) # 输出: [[4]# [7]]
print(a[1, :]) # 输出: [3 4 5]
print(a[1, ...]) # 输出: [3 4 5]
print(a[:, 1]) # 输出: [1 4 7]花式索引
import numpy as np
a = np.arange(6) # 一维数组
print(a) # 输出: [0 1 2 3 4 5]
print(a[[1, 2, 5]]) # 输出: [1 2 5]
print(a[np.array([(0, 1, 3), (1, 4, 5)])]) # 输出: [[0 1 3]# [1 4 5]]a = np.arange(9).reshape(3, 3) # 二维数组
print(a) # 输出: [[0 1 2]# [3 4 5]# [6 7 8]]
print(a[[1, 0]]) # 输出: [[3 4 5]# [0 1 2]]
print(a[[0, 2], 1]) # 输出: [1 7]
print(a[np.ix_([0, 1], [0, 1])]) # 输出: [[0 1]# [3 4]]布尔索引
import numpy as np
a = np.arange(6) # 一维数组
print(a) # 输出: [0 1 2 3 4 5]
print(a > 3) # 输出: [False False False False True True]
print(a[a > 3]) # 输出: [4 5]a = np.arange(9).reshape(3, 3) # 二维数组
print(a) # 输出: [[0 1 2]# [3 4 5]# [6 7 8]]
print(a > 3) # 输出: [[False False False]# [False True True]# [ True True True]]
print(a[a > 3]) # 输出: [4 5 6 7 8]