numpy库学习总结

jhhhred / 2024-10-14 / 原文

NumPy 官方文档链接

英文官方文档：
- 主页：NumPy Documentation
- 参考手册：NumPy Reference
- 用户指南：NumPy User Guide
中文官方文档：
- 主页：[https://www.numpy.org.cn/reference/]
- 参考手册：NumPy 参考手册（中文版）
- 用户指南：NumPy 用户指南（中文版）

NumPy 官方文档总结

1. 简介

NumPy（Numerical Python）是 Python 的一个扩展库，提供了大量的数学函数和高效的数组操作功能。
主要特点：
- 高效的多维数组对象 ndarray。
- 广泛的数学函数和操作。
- 支持广播机制，简化数组运算。
- 与 C/C++ 和 Fortran 代码的集成能力。

2. 安装

安装命令：
- 使用 pip 安装：
```
pip install numpy
```
- 使用 conda 安装：
```
conda install numpy
```

3. 数组创建

创建一维数组：

import numpy as np
a = np.array([1, 2, 3, 4, 5])

创建多维数组：
```
b = np.array([[1, 2, 3], [4, 5, 6]])
```

特殊数组：

全零数组：
```
zeros = np.zeros((3, 3))
```
全一数组：
```
ones = np.ones((3, 3))
```
单位矩阵：
```
identity = np.eye(3)
```
随机数组：
```
random_array = np.random.rand(3, 3)
```

4. 数组属性

形状：

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

数据类型：
```
print(a.dtype)  # int64
```
元素总数：
```
print(a.size)  # 6
```
维度数：
```
print(a.ndim)  # 2
```

5. 数组索引和切片

一维数组：

a = np.array([1, 2, 3, 4, 5])
print(a[0])  # 1
print(a[1:4])  # [2, 3, 4]

多维数组：

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

6. 数组操作

数学运算：

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b)  # [5, 7, 9]
print(a - b)  # [-3, -3, -3]
print(a * b)  # [4, 10, 18]
print(a / b)  # [0.25, 0.4, 0.5]
print(np.sqrt(a))  # [1., 1.41421356, 1.73205081]

广播机制：

a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.array([1, 0, 1])
print(a + b)  # [[2, 2, 4], [5, 5, 7]]

7. 数组重塑

改变形状：

a = np.arange(12)
print(a)  # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]
b = a.reshape((3, 4))
print(b)  # [[0, 1, 2, 3], [4, 5, 6, 7], [8, 9, 10, 11]]
c = a.reshape((2, 2, 3))
print(c)  # [[[0, 1, 2], [3, 4, 5]], [[6, 7, 8], [9, 10, 11]]]

8. 数组连接和拆分

连接：

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])
c = np.hstack((a, b))
print(c)  # [[1, 2, 5, 6], [3, 4, 5, 6]]
d = np.vstack((a, b))
print(d)  # [[1, 2], [3, 4], [5, 6]]

拆分：

a = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
b, c = np.hsplit(a, 2)
print(b)  # [[1, 2], [5, 6]]
print(c)  # [[3, 4], [7, 8]]
d, e = np.vsplit(a, 2)
print(d)  # [[1, 2, 3, 4]]
print(e)  # [[5, 6, 7, 8]]

9. 数组排序

排序：

a = np.array([3, 1, 2])
print(np.sort(a))  # [1, 2, 3]
b = np.array([[3, 1, 2], [6, 4, 5]])
print(np.sort(b, axis=0))  # [[3, 1, 2], [6, 4, 5]]
print(np.sort(b, axis=1))  # [[1, 2, 3], [4, 5, 6]]

10. 数组统计

统计函数：

a = np.array([[1, 2, 3], [4, 5, 6]])
print(np.sum(a))  # 21
print(np.mean(a))  # 3.5
print(np.median(a))  # 3.5
print(np.min(a))  # 1
print(np.max(a))  # 6
print(np.std(a))  # 标准差
print(np.var(a))  # 方差

11. 数组布尔操作

布尔操作：

a = np.array([1, 2, 3, 4, 5])
b = np.array([0, 1, 2, 3, 4])
print(a > 3)  # [False, False, False, True, True]
print(np.any(a > 3))  # True
print(np.all(a > 3))  # False

12. 数组搜索和选择

搜索非零元素：

a = np.array([1, 2, 3, 4, 5])
print(np.nonzero(a))  # (array([0, 1, 2, 3, 4]),)

条件选择：

b = np.where(a > 3, a, 0)
print(b)  # [0, 0, 0, 4, 5]

13. 文件读写

保存数组：
```
np.save('array.npy', a)
```

读取数组：

b = np.load('array.npy')
print(b)  # [1, 2, 3, 4, 5]

14. 高级功能

广播机制：

a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.array([1, 0, 1])
print(a + b)  # [[2, 2, 4], [5, 5, 7]]

线性代数：

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
print(np.dot(a, b))  # [[19, 22], [43, 50]]
print(np.linalg.inv(a))  # [[-2. ,  1. ], [ 1.5, -0.5]]