14.1 NumPy根本

接待来到我的博客，很高兴可以大概在这里和您见面！接待订阅相干专栏：
工💗重💗hao💗：野老杂谈
⭐️ 全网最全IT互联网公司口试宝典：网络整理全网各大IT互联网公司技能、项目、HR口试真题.
⭐️ AIGC期间的创新与未来：具体讲授AIGC的概念、核心技能、应用范畴等内容。
⭐️ 全流程数据技能实战指南：全面讲授从数据收罗到数据可视化的整个过程，把握构建当代化数据平台和数据堆栈的核心技能和方法。
⭐️ 构建全面的数据指标体系：通过深入的理论剖析、具体的实操步调和丰富的案例分析，为读者提供体系化的引导，资助他们构建和应用数据指标体系，提拔数据驱动的决议程度。
⭐️《遇见Python：初识、相识与热恋》 ：涵盖了Python学习的根本知识、进阶本事和现实应用案例，资助读者从零开始渐渐把握Python的各个方面，并终极可以大概举行项目开发息争决现实题目。
  择要

NumPy 是 Python 中最盛行的数值盘算库，它提供了高效的数组和矩阵操纵工具。本篇文章将带你相识 NumPy 的根本，包罗怎样创建数组、举行根本运算，以及一些常见的数组操纵。通过轻松幽默的语言和生动的例子，让你把握这门强盛的工具。
目次

• NumPy 的宿世此生
  
• 创建 NumPy 数组
  
• NumPy 数组的根本操纵
  
• 数组的切片与索引
  
• 数学运算与广播机制
  
• NumPy 的常见函数
  
• NumPy 与其他库的共同利用
  
• 总结
  

1. NumPy 的宿世此生

在 Python 天下的茫茫大海中，NumPy 是一个闪灼的灯塔。早期的 Python 数学运算依赖于根本的数据布局，如列表和元组，但这些数据布局的性能在处理惩罚大规模数据时显得力有未逮。于是，一个名为 Travis Oliphant 的科学家在2005年开发了 NumPy，成为了科学盘算范畴的革命性工具。
NumPy 的核心是它的多维数组对象（ndarray），这是一个高效的多维数组，提供了丰富的数学运算和操纵。简而言之，NumPy 的出现让 Python 变得更加强盛，尤其是在数据处理惩罚和科学盘算范畴。
2. 创建 NumPy 数组

要利用 NumPy，起首必要导入它：

1. import numpy as np

复制代码

创建数组是学习 NumPy 的第一步。以下是几种常见的数组创建方式：

• 从列表创建：
  

1. my_list = [1, 2, 3, 4]
2. my_array = np.array(my_list)
3. print(my_array)

复制代码

• 创建全零数组：
  

1. zeros_array = np.zeros((2, 3))
2. print(zeros_array)

复制代码

• 创建全一数组：
  

1. ones_array = np.ones((3, 3))
2. print(ones_array)

复制代码

• 创建范围数组：
  

1. range_array = np.arange(0, 10, 2)
2. print(range_array)

复制代码

这些简朴的操纵展示了 NumPy 的强盛之处，它不但可以轻松创建数组，还提供了丰富的函数来天生各种特别数组。
3. NumPy 数组的根本操纵

有了数组之后，接下来就是对这些数组举行各种操纵。数组操纵是 NumPy 的核心功能之一，下面是几个常见的操纵例子：

• 数组加减法：
  

1. a = np.array([1, 2, 3])
2. b = np.array([4, 5, 6])
3. print(a + b)
4. print(a - b)

复制代码

• 数组乘除法：
  

1. print(a * b)
2. print(a / b)

复制代码

• 数组的维度操纵：
  

1. matrix = np.array([[1, 2, 3], [4, 5, 6]])
2. print(matrix.shape)
3. print(matrix.T)

复制代码

4. 数组的切片与索引

NumPy 的切片与索引操纵让我们可以像切蛋糕一样轻松地从数组中获取数据：

• 根本切片：
  

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

复制代码

• 多维数组的切片：
  

1. matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
2. print(matrix[:2, 1:3])

复制代码

通过切片和索引，可以方便地访问和修改数组中的数据。
5. 数学运算与广播机制

NumPy 提供了一整套丰富的数学运算功能，而它的广播机制则是 NumPy 的一个神奇之处，允许差别形状的数组举行数学运算：

• 数学运算：
  

1. array = np.array([1, 2, 3])
2. print(np.sqrt(array))
3. print(np.exp(array))

复制代码

• 广播机制：
  

1. a = np.array([1, 2, 3])
2. b = np.array([[0], [10], [20]])
3. print(a + b)

复制代码

这种广播机制使得我们可以在不显式地复制数据的情况下，对数组举行高效的运算。
6. NumPy 的常见函数

NumPy 内置了很多常见的函数，这些函数大大简化了我们的工作：

• 求和与均匀：
  

1. array = np.array([1, 2, 3, 4])
2. print(np.sum(array))
3. print(np.mean(array))

复制代码

• 排序与查找：
  

1. array = np.array([4, 2, 1, 3])
2. print(np.sort(array))
3. print(np.argsort(array))

复制代码

• 矩阵运算：
  

1. matrix = np.array([[1, 2], [3, 4]])
2. print(np.linalg.inv(matrix))

复制代码

这些函数是我们在数据分析和科学盘算中常用的工具。
7. NumPy 与其他库的共同利用

NumPy 作为 Python 科学盘算的根本，与其他库（如 Pandas、Matplotlib）有着天然的共同关系：

• 与 Pandas 共同：
  

1. import pandas as pd
2. data = {'A': [1, 2, 3], 'B': [4, 5, 6]}
3. df = pd.DataFrame(data)
4. print(df.to_numpy())

复制代码

• 与 Matplotlib 共同：
  

1. import matplotlib.pyplot as plt
2. x = np.linspace(0, 10, 100)
3. y = np.sin(x)
4. plt.plot(x, y)
5. plt.show()

复制代码

NumPy 为这些库提供了强盛的数值盘算支持，使得数据分析和可视化变得更加容易。
8. 总结

NumPy 是 Python 科学盘算的基石，其丰富的功能和强盛的性能让它在数据处理惩罚、科学盘算、呆板学习等范畴成为了不可或缺的工具。通过这篇文章的先容，你应该已经把握了 NumPy 的根本知识，并可以大概开始在本身的项目中利用它了。
标签

• NumPy
  
• 数值盘算
  
• Python
  
• 数据分析
  
• 科学盘算