【Python】NumPy库的介绍及用法

目录

1、应用场景

2、NumPy-三方库

---

1、应用场景

NumPy（Numerical Python）是Python的一个开源的数值计算扩展库，主要用于对大量数据进行高效存储和计算。以下是一些NumPy在实际中的应用场景：

1. 图像处理： 利用NumPy的多维数组，可以方便地对图像进行处理，例如图像的缩放、转换、滤波等。
2. 机器学习： NumPy的数值计算功能非常适合用来实现各种机器学习算法。例如，在通过梯度下降法进行模型训练时，可通过NumPy进行大规模矩阵运算。
3. 数据分析： NumPy提供了大量的数值和统计函数，可用于数据清洗和预处理。比如，你可以使用NumPy进行数据的筛选、排序、聚合等操作。
4. 科学计算： NumPy还支持广泛的科学计算，例如线性代数运算、傅立叶变换和随机数生成等。
5. 信号处理： 在信号处理领域，NumPy可以作为数据分析和预处理工具，处理如音频信号数据等。
6. 在图形库Matplotlib中也会使用到NumPy，包括生成与处理大量数值型数据。

总的来说，只要涉及到大量数据的数值计算和处理，很可能都会需要用到NumPy。

2、NumPy-三方库

NumPy并不是Python的标准库。但它是一个第三方库，是Python进行科学计算的基础包，也是许多Python数据处理和机器学习库的依赖库。

Python的标准库是随着Python安装包直接提供的库，如math（数学函数库），datetime（日期时间库），os（操作系统功能库）等。

NumPy则需要用户在安装Python后另行安装。常见的安装方法是使用pip（Python的包管理工具）进行安装，如在命令行中输入命令“pip install numpy”。

尽管NumPy不是Python的标准库，但它由于其在数值计算等方面的强大功能，以及被众多其他第三方库所依赖，已经成为Python数据科学领域的事实标准库之一。

以下是一些基本的NumPy使用方法：

• 引入NumPy库，通常我们将其命名为np。

import numpy as np

• 创建NumPy数组

arr = np.array([1, 2, 3, 4, 5]) # 创建一维数组
arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 创建二维数组

• 使用shape和dtype属性查看数组的形状和数据类型

print(arr.shape)  # 输出：(5,)
print(arr_2d.shape)  # 输出：(3, 3)
print(arr.dtype)  # 输出：int32 或 int64

• 使用内建函数生成特殊数组

zero_arr = np.zeros((2, 2))  # 生成2x2的全0数组
ones_arr = np.ones((3, 3))   # 生成3x3的全1数组
eye_arr = np.eye(3)  # 生成3x3的单位矩阵
random_arr = np.random.random((4, 4))  # 生成4x4的随机数组

• 按元素运算

a = np.array([1, 2, 3, 4])
b = np.array([1, 2, 1, 2])
add = a + b  # 输出： array([2, 4, 4, 6])
sub = a - b  # 输出： array([0, 0, 2, 2])
mul = a * b  # 输出： array([1, 4, 3, 8])
div = a / b  # 输出： array([1., 1., 3., 2.])

此外，NumPy还提供了许多其他功能，如切片，索引，广播等等。其强大的功能使得NumPy成为Python科学计算的核心库。

以下是NumPy中切片，索引，广播的示例：

• 切片（Slicing）： 类似Python中列表（list）的切片操作。

arr = np.array([0, 1, 2, 3, 4, 5])
print(arr[1:4])  # 输出：[1 2 3]
arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr_2d[:2, 1:3])  # 输出：[[2 3] [5 6]]

• 索引（Indexing）： 可通过索引访问或修改数组中的元素。

arr = np.array([0, 1, 2, 3, 4, 5])
print(arr[2])  # 输出： 2
arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr_2d[1, 2])  # 输出： 6

也可以通过布尔索引进行操作：

arr = np.array([0, 1, 2, 3, 4, 5])
print(arr > 2)  # 输出：[False False False  True  True  True]
print(arr[arr > 2])  # 输出：[3 4 5]

• 广播（Broadcasting）： 广播是NumPy处理不同形状数组进行数学运算的方式。例如：

arr = np.array([0, 1, 2, 3, 4, 5])
print(arr[1:4])  # 输出：[1 2 3]
arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr_2d[:2, 1:3])  # 输出：[[2 3] [5 6]]

以下是一些常用的NumPy方法：

1. numpy.array：创建数组，例如np.array([1, 2, 3])，创建一个一维数组。
2. numpy.arange：类似于Python的range函数，可以按一定的步长生成数值序列，例如np.arange(0, 1, 0.1)生成从0到1（不含1）步长为0.1的数列。
3. numpy.reshape：将原数组重新塑造为指定形状的新数组。
4. numpy.random：生成随机数，例如np.random.random((2,2))，生成一个2x2的随机数数组。
5. numpy.dot：进行点乘运算。
6. numpy.sum，numpy.min，numpy.max，numpy.mean：数组元素的总和，最小值，最大值，平均值计算。
7. numpy.sort：对数组进行排序。
8. numpy.transpose 或数组.T：数组的转置。
9. numpy.concatenate：将两个或多个数组合并为一个新的数组。
10. numpy.save / numpy.load：保存和加载数组数据到硬盘。

以上只是NumPy中一小部分方法，NumPy提供了数百种高效实用的数组操作和数值计算函数，具体可以参考NumPy官方文档和教程学习使用。

以下通过一些例子展示NumPy的一些常用方法：

• 创建一个数组:

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr)  # 输出：[1 2 3 4 5]

• 使用arange生成数值序列:

arr = np.arange(0, 5, 1)  # 从0开始，到5结束（不含5），步长为1
print(arr)  # 输出：[0 1 2 3 4]

• 使用reshape改变数组的形状:

arr = np.arange(10)
print(arr.reshape(2, 5))  # 输出：[[0 1 2 3 4] [5 6 7 8 9]]

• 使用random生成随机数:

arr = np.random.random((2, 2))
print(arr)

• 求和，最大值，最小值，平均值:

arr = np.array([1, 2, 3, 4, 5])
print(np.sum(arr))  # 输出：15
print(np.min(arr))  # 输出：1
print(np.max(arr))  # 输出：5
print(np.mean(arr))  # 输出：3.0

• 数组排序:

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

• 数组转置:

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.T)  # 输出：[[1 4] [2 5] [3 6]]

• 合并数组:

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
print(np.concatenate((arr1, arr2)))  # 输出：[1 2 3 4 5 6]