Python Numpy库的教程_1.21.5 python numpy库

Numpy是Python中用于科学计算的一个重要库。它提供了高性能的多维数组对象和用于处理数组的数学函数。

本文将详细介绍Numpy库的使用方法和常见功能，并通过案例演示其实际应用。

1. 安装Numpy库

要使用Numpy库，首先需要安装它。在终端或命令提示符中执行以下命令来安装Numpy库：

pip install numpy
1

安装完成后，我们可以在Python程序中导入Numpy库：

import numpy as np
1

现在我们可以开始使用Numpy库了。

2. 创建Numpy数组

Numpy数组是多维的，可以容纳任意类型的元素。我们可以从Python列表创建Numpy数组。

# 从Python列表创建一维数组
arr1 = np.array([1, 2, 3, 4, 5])

# 从嵌套的Python列表创建二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
1
2
3
4
5

创建数组时，我们可以指定数组的形状和元素类型。例如，我们可以创建一个形状为(3, 3)的二维数组，元素类型为浮点数：

arr3 = np.zeros((3, 3), dtype=float)  # 创建一个3x3的全0数组
arr4 = np.ones((2, 4), dtype=int)  # 创建一个2x4的全1数组
arr5 = np.full((2, 3), 5.0)  # 创建一个2x3的全5数组
1
2
3

Numpy还提供了一些便捷的函数来创建特定形状的数组，如np.zeros、np.ones、np.full、np.empty等。

3. 数组属性

在使用Numpy数组之前，我们可以了解一些数组的基本属性。

# 数组维度
print(arr2.shape)  # 输出：(3, 3)

# 数组元素类型
print(arr2.dtype)  # 输出：int64

# 数组大小（元素个数）
print(arr2.size)  # 输出：9
1
2
3
4
5
6
7
8

shape属性返回一个元组，表示数组的形状。对于二维数组来说，形状是(行数, 列数)。dtype属性返回数组的元素类型。size属性返回数组的大小，即元素的个数。

4. 访问数组元素

可以通过索引访问Numpy数组中的元素。

# 访问一维数组元素
print(arr1[0])  # 输出：1

# 访问二维数组元素
print(arr2[1, 2])  # 输出：6
1
2
3
4
5

可以使用逗号将索引分隔开，第一个索引表示行，第二个索引表示列。

除了使用整数索引，还可以使用切片来访问数组的子数组。

# 访问一维数组的切片
print(arr1[1:4])  # 输出：[2 3 4]

# 访问二维数组的切片
print(arr2[0:2, 1:3])
"""
输出：
[[2 3]
 [5 6]]
"""
1
2
3
4
5
6
7
8
9
10

切片操作可以用于获取数组的子集，也可以用于修改数组的部分元素。

5. 数组运算

Numpy数组支持各种数学运算，包括加法、减法、乘法、除法、取余等。

# 加法
arr3 = arr1 + 5
print(arr3)  # 输出：[6 7 8 9 10]

# 乘法
arr4 = arr2 * 2
print(arr4)
"""
输出：
[[ 2  4  6]
 [ 8 10 12]
 [14 16 18]]
"""

# 数组点积
dot_product = np.dot(arr1, arr1)
print(dot_product)  # 输出：55
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

在运算过程中，如果两个数组的形状不匹配，Numpy会自动调整数组的形状进行运算。这个特性称为广播（broadcasting）。

6. 数组重塑

Numpy提供了一些函数来改变数组的形状。

# 改变数组维度
arr1_reshaped = arr1.reshape((5, 1))  # 将一维数组变为列向量
arr2_flattened = arr2.flatten()  # 将二维数组展平为一维数组
1
2
3

reshape函数可以改变数组的维度，传入一个元组表示目标形状。flatten函数可以将多维数组展平为一维数组。

7. 数组合并

Numpy提供了一些函数来合并多个数组。

# 水平合并
arr6 = np.array([1, 2, 3])
arr7 = np.array([4, 5, 6])
arr8 = np.hstack((arr6, arr7))

# 垂直合并
arr9 = np.vstack((arr6, arr7))

# 深度合并
arr10 = np.dstack((arr6, arr7))
1
2
3
4
5
6
7
8
9
10

hstack函数可以将多个数组水平合并，vstack函数可以将多个数组垂直合并，dstack函数可以将多个数组以深度方向合并。

8. 数组统计

Numpy提供了一些函数来对数组进行统计分析。

# 求和
sum1 = np.sum(arr1)

# 最大值
max1 = np.max(arr1)

# 最小值
min1 = np.min(arr1)

# 平均值
mean1 = np.mean(arr1)

# 标准差
std1 = np.std(arr1)

# 方差
var1 = np.var(arr1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

还有其他一些函数，如median、percentile、argmax、argmin等，可以根据需要进行使用。

9. 随机数

Numpy提供了一些函数来生成随机数。

# 生成随机整数
randint1 = np.random.randint(0, 10, size=(3, 3))

# 生成随机浮点数
uniform1 = np.random.uniform(0, 1, size=(3, 3))

# 生成标准正态分布随机数
normal1 = np.random.normal(0, 1, size=(3, 3))
1
2
3
4
5
6
7
8

randint函数可以生成指定范围内的随机整数，uniform函数可以生成指定范围内的随机浮点数，normal函数可以生成符合正态分布的随机数。

10. 实例应用

让我们通过一个实例来演示Numpy库的应用。假设我们有一组学生的成绩数据，存储在一个Numpy数组中。

# 学生成绩数组
scores = np.array([80, 72, 85, 90, 66, 77, 88, 93, 79, 81])

# 统计分析
mean_score = np.mean(scores)  # 平均成绩
max_score = np.max(scores)  # 最高成绩
min_score = np.min(scores)  # 最低成绩
passed_count = np.sum(scores >= 60)  # 及格人数

print("平均成绩：", mean_score)
print("最高成绩：", max_score)
print("最低成绩：", min_score)
print("及格人数：", passed_count)
1
2
3
4
5
6
7
8
9
10
11
12
13

输出结果：

平均成绩： 80.1
最高成绩： 93
最低成绩： 66
及格人数： 10
1
2
3
4

通过Numpy库的函数，我们可以快速计算出学生成绩的平均值、最高值、最低值和及格人数。

总结：

本文介绍了Numpy库的基本用法和常见功能，并通过案例演示了Numpy提供了高性能的多维数组对象和数学函数，方便进行科学计算和数据处理。通过学习Numpy库，你可以更加高效地处理和分析数据。

希望本文对你学习和使用Numpy库有所帮助！