触动网站建设网络推广的工作内容

numpy学习笔记8：数组属性和基础操作的详细描述

以下是 NumPy 数组的核心属性和基础操作的详细说明，涵盖从数据结构到实际应用的各个方面：

---

一、NumPy 数组的核心属性

1. shape - 数组形状

• 作用：描述数组每个维度的长度（以元组形式返回）。

• 示例：

  import numpy as np
  arr = np.array([[1, 2, 3], [4, 5, 6]])
  print(arr.shape)  # 输出 (2, 3) → 2行3列

• 操作：

  • 修改形状：arr.reshape(new_shape)（需元素总数一致）

    arr_reshaped = arr.reshape(3, 2)  # 形状变为 (3, 2)

2. dtype - 数据类型

• 作用：显示数组元素的数据类型（如 int32, float64, bool）。

• 示例：

  print(arr.dtype)  # 输出 int64（默认推断类型）

• 指定类型：

  arr_float = np.array([1, 2, 3], dtype=np.float32)

3. ndim - 维度数

• 作用：返回数组的维度数量（秩）。

• 示例：

  arr_3d = np.ones((2, 3, 4))
  print(arr_3d.ndim)  # 输出 3（三维数组）

4. size - 元素总数

• 作用：计算数组所有维度的元素乘积。

• 示例：

  print(arr.size)  # 输出 6（2*3=6）

5. itemsize - 单个元素字节大小

• 作用：显示一个数组元素的字节数。

• 示例：

  print(arr.itemsize)  # 输出 8（int64 类型占8字节）

6. nbytes - 总内存占用

• 作用：计算数组总内存占用量（size * itemsize）。

• 示例：

  print(arr.nbytes)  # 输出 48（6元素 * 8字节）

---

二、数组基础操作

1. 索引与切片

• 一维数组：

  arr = np.array([0, 1, 2, 3, 4])
  print(arr[2])      # 输出 2（索引从0开始）
  print(arr[1:4])    # 输出 [1, 2, 3]（左闭右开区间）

• 多维数组：

  arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
  print(arr_2d[0, 1])    # 输出 2（第0行第1列）
  print(arr_2d[:, 1:3])  # 输出所有行的第1到2列 → [[2,3], [5,6]]

2. 形状操作

• reshape()：改变形状（不修改数据）：

  arr = np.arange(6)
  arr_2d = arr.reshape(2, 3)  # 转为二维数组

• flatten() 和 ravel()：

  flat = arr_2d.flatten()  # 深拷贝展开（新内存）
  raveled = arr_2d.ravel() # 浅拷贝展开（视图）

3. 数学运算

• 逐元素运算：

  a = np.array([1, 2, 3])
  b = np.array([4, 5, 6])
  print(a + b)  # 输出 [5, 7, 9]（加法）
  print(a * 2)  # 输出 [2, 4, 6]（标量乘法）

• 广播机制（不同形状数组运算）：

  a = np.array([[1], [2], [3]])  # 形状 (3,1)
  b = np.array([10, 20])         # 形状 (2,)
  print(a + b)  # 广播后形状 (3,2) → [[11,21], [12,22], [13,23]]

4. 统计操作

• 聚合函数：

  arr = np.array([[1, 2], [3, 4]])
  print(np.sum(arr))     # 总和 → 10
  print(np.mean(arr))    # 平均值 → 2.5
  print(np.max(arr))     # 最大值 → 4

• 沿轴计算：

  print(np.sum(arr, axis=0))  # 列求和 → [4, 6]
  print(np.sum(arr, axis=1))  # 行求和 → [3, 7]

5. 数组拼接

• np.concatenate()：

  a = np.array([[1, 2], [3, 4]])
  b = np.array([[5, 6]])
  c = np.concatenate((a, b), axis=0)  # 垂直拼接 → 形状 (3,2)

• np.vstack() 和 np.hstack()：

  vertical = np.vstack((a, b))   # 垂直拼接
  horizontal = np.hstack((a, a)) # 水平拼接 → 形状 (2,4)

---

三、内存管理与性能优化

1. 视图（View）与拷贝（Copy）

• 视图：共享内存的数据切片（修改视图会影响原数组）：

  view = arr[1:3]    # 视图（不复制数据）
  view[0] = 100      # 原数组对应位置也被修改

• 拷贝：创建独立副本：

  copy = arr.copy()  # 深拷贝（新内存）

2. 内存布局

• order 参数：

  # C 顺序（行优先）
  c_array = np.array([[1, 2], [3, 4]], order='C')
  # Fortran 顺序（列优先）
  f_array = np.array([[1, 2], [3, 4]], order='F')

---

四、常用技巧与注意事项

1. 避免显式循环：

   # 错误示范（慢）：
   for i in range(len(arr)):arr[i] *= 2
   # 正确示范（快）：
   arr *= 2  # 向量化操作

2. 布尔索引：

   arr = np.array([3, 1, 4, 1, 5])
   mask = arr > 2
   print(arr[mask])  # 输出 [3,4,5]

3. 类型转换：

   arr_float = arr.astype(np.float32)  # 转换为浮点数

---

通过掌握这些属性和操作，你可以高效操作 NumPy 数组，为数据分析、科学计算和机器学习奠定基础！