Python NumPy 中文教程：从入门到进阶
NumPy（Numerical Python）是 Python 科学计算的基础包。它提供了一个强大的 N 维数组对象 ndarray，以及用于处理这些数组的各种工具。NumPy 是更高层级科学计算库（如 SciPy、Pandas 和 Matplotlib）的核心依赖，因此理解 NumPy 的工作原理对于任何 aspiring data scientist 或 Python 开发者至关重要。
本教程将深入探讨 NumPy 的核心概念和功能，并通过丰富的示例演示其用法，旨在帮助你从入门到进阶掌握 NumPy。
一、NumPy ndarray：N 维数组对象
NumPy 的核心是 ndarray 对象，它是一个同构多维数组，也就是说，它包含相同类型的数据，并且这些数据按照固定的维度排列。ndarray 对象比 Python 内置的列表更高效，因为它存储在连续的内存块中，并且可以利用向量化操作进行快速计算。
-
创建 ndarray：
-
np.array()：从 Python 列表或元组创建 ndarray。“`python
import numpy as npa = np.array([1, 2, 3]) # 一维数组
b = np.array([[1, 2, 3], [4, 5, 6]]) # 二维数组
“` -
np.zeros()：创建全零数组。python
zeros_array = np.zeros((2, 3)) # 2x3 的零数组 -
np.ones()：创建全一数组。python
ones_array = np.ones((2, 3)) # 2x3 的一数组 -
np.empty()：创建未初始化的数组（内容是内存中的随机值）。python
empty_array = np.empty((2, 3)) -
np.arange()：类似 Python 的range()，创建等差数列。python
arange_array = np.arange(10) # 0 到 9 -
np.linspace()：创建指定范围内等间距的数字序列。python
linspace_array = np.linspace(0, 1, 5) # 0 到 1 之间 5 个等间距的数 -
ndarray 属性：
-
ndim：数组的维度。 shape：数组的形状，以元组形式表示每个维度的大小。size：数组的元素总数。-
dtype：数组元素的数据类型。python
print(b.ndim) # 输出：2
print(b.shape) # 输出：(2, 3)
print(b.size) # 输出：6
print(b.dtype) # 输出：dtype('int64') -
数据类型：
NumPy 支持各种数据类型，包括整数、浮点数、布尔值、复数等。可以使用 dtype 参数指定数据类型。
```python
c = np.array([1, 2, 3], dtype=np.float64)
```
二、数组操作
- 索引和切片：
与 Python 列表类似，可以使用索引和切片访问 ndarray 的元素。
```python
print(b[0, 1]) # 输出：2
print(b[:, 1]) # 输出：[2 5] 第二列
print(b[1, :]) # 输出：[4 5 6] 第二行
```
- 数组运算：
NumPy 支持 element-wise 运算，即对数组的每个元素进行相同的运算。
```python
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
print(x + y) # 输出：[5 7 9]
print(x * y) # 输出：[ 4 10 18]
```
- 广播机制：
当对不同形状的数组进行运算时，NumPy 会使用广播机制来扩展较小数组的维度，使其与较大数组匹配。
```python
x = np.array([1, 2, 3])
y = 2
print(x * y) # 输出：[2 4 6]
```
-
数组变形：
-
reshape()：改变数组的形状。python
z = np.arange(6).reshape(2, 3) -
flatten()：将多维数组转换为一维数组。python
flat_array = z.flatten() -
transpose()：转置数组。python
transposed_array = z.transpose() -
数组连接和分割：
-
concatenate()：连接多个数组。python
a = np.array([1, 2])
b = np.array([3, 4])
c = np.concatenate((a, b)) # 输出：[1 2 3 4] -
split()：分割数组。python
x = np.arange(9)
x1, x2, x3 = np.split(x, 3)
三、NumPy 函数和方法
NumPy 提供了大量的函数和方法用于数组操作，包括数学函数、统计函数、线性代数函数等。
-
数学函数：
-
np.sin(),np.cos(),np.tan(),np.exp(),np.log()等。 -
统计函数：
-
np.mean()：计算平均值。 np.median()：计算中位数。np.std()：计算标准差。-
np.var()：计算方差。 -
线性代数函数：
-
np.dot()：计算点积。 np.linalg.inv()：计算逆矩阵。np.linalg.det()：计算行列式。
四、高级主题
- 随机数生成：
np.random 模块提供各种随机数生成函数。
- 线性代数：
np.linalg 模块提供线性代数运算函数。
- 傅里叶变换：
np.fft 模块提供快速傅里叶变换函数。
五、总结
本教程涵盖了 NumPy 的核心概念和常用功能。通过学习和实践这些知识，你将能够有效地使用 NumPy 进行数据处理和科学计算。 希望本教程能帮助你开启 Python 数据科学之旅。 建议进一步学习官方文档和相关书籍，深入了解 NumPy 的更多高级特性，并将其应用于实际项目中。 持续的学习和实践是掌握 NumPy 并将其应用于解决复杂问题的关键。