Python之Numpy库的简单介绍（一）

Numpy库是一个强大的开源数学与科学计算库，它在处理数组数据方面拥有强大的功能。以下将介绍Numpy库的一些基础操作。

如何导入Numpy库

在使用Numpy之前，需要先进行导入。常用的方式有两种：

import numpy as np  # 将numpy库作为np赋值，以便于使用np调用Numpy函数import numpy      # 直接使用numpy进行操作

创建Numpy数组

np.array()是最基本的创建Numpy数组的方法：

vector = np.array([1, 2, 3, 4, 5])    # 创建一维数组matrix = np.array([[1, 2],     # 创建二维数组（2x2）               [3, 4],               [5, 6]])cube = np.array([[[7,8,9],    # 创建三维数组（2x2x3）                [10,11,12]]],               dtype=np.float16)

注意：cube的理解可以与一个三维的长方体对应，其中每个维度都有具体的含义，具体由你的数据分析需求决定。

Numpy数组的属性

np.array对象具有许多实用的属性，可以帮助我们更好地理解和操作数组：

dtype：指定数组中的元素类型，默认会自动选择适合数据的最小类型。

order：指定数组元素的存储顺序，常用C（行优先）和F（列优先）。

a.shape：返回数组的形状（行、列...）。

a.size：返回数组的总元素个数。

a.itemsize：每个元素的字节大小。

a.nbytes：整个数组的总字节大小。

a.min() 和 a.max()：分别求出数组中的最小值和最大值。

生成区间的数组

np.arange()函数可以用来生成等差数列：

np.arange(12)       #生成[0, 1, 2,..., 11]np.arange(3, 9, 1)  #生成[3,4,5,6,7,8]np.arange(0, 15, 3)  #生成[0, 3, 6, 9, 12]

创建多维数组

np.ndarray也是一个强大的工具，用于创建和描述多维数组：

# 例子：创建一个3x4的二维整数数组a = np.ndarray(shape=(3,4), dtype=int, buffer=np.arange(15).reshape(3,5))

由于buffer属性指定了用于填充数组的源数据，可以通过这种方式快速生成特定数据类型的数组。如果不指定buffer，Numpy会为数组中的值随机分配。

刚才创建方式的区别

a = np.array([[1,2,3],[4,5,6]], np.float32)b = np.ndarray(shape=(3,3), dtype=np.float64)

在这个例子中，a是从现有的列表转换而来，而b则是通过ndarray直接描述了数组的形状和类型。这两种方式在实际应用中会有不同的使用场景。

生成零或全为一的数组

np.zeros() 和 np.ones() 可以快速生成全为零或全为一的数组：

# 示例：创建一个大小为3x4x5的三维零数组np.zeros(shape=(3,4,5))np.ones(shape=(3,4,5))

常用数组操作函数

Numpy库提供了大量高效的数组操作函数，其中有一些更常用的工具：

执行np.dot()是矩阵乘法的快速实现：

matrix = np.array([[1,3,4],     # 定义矩阵A                 [2,24,5],                 [4,6,7]])# 举例：矩阵乘法的定义为A * Bproduct = np.dot(matrix, matrix)# 或者使用点积result = np.dot(matrix, np.array([2,3,4]))

另一个常用的函数是np.sum()，可以对指定轴进行求和：

# 按照行或列相加matrix.sum(axis=1)  # 按行求和后的结果matrix.sum(axis=0)  # 按列求和后的结果

增加或改变数组维度

通过np.hsplit() 和 np.vsplit() 提供的函数，可以轻松地将多维数组按行或列分割：

# 假设data_shape = (10, 5)split_data = np.vsplit(data_shape, 2)  # 按垂直分割成两部分# 或者按水平分割：stacked_data = np.hstack((data1, data2))  # 水平拼接两个数组

np.concatenate() 是另一个强大的函数，可以用来将多个数组沿特定轴进行合并：

a = np.array([[1,2,3], [4,5,6]])b = np.array([[7,8,9], [10,11,12]])# 按照行进行垂直合并merged_data = np.concatenate((a, b), axis=0)# 或者按列进行水平合并merged_data = np.concatenate((a, b), axis=1)

搜索引擎友好的内容优化

标题优化：确保标题中包含主要关键词并保持语义自然。

内容结构：使用小标题和列表结构增强可读性。

标签优化：在文章末尾添加相关标签，以便被搜索引擎更好地理解内容主题。

通过以上优化，可以让文章更易于搜索引擎理解，同时提升用户的阅读体验。作为Numpy库的新手，熟悉这些基础操作是非常重要的，可以为后续的数据分析和建模奠定坚实的基础。

转载地址：http://voxcz.baihongyu.com/

你可能感兴趣的文章