python的中的numpy入门

￡神魔★判官ぃ 2024-02-20 08:33 36阅读 0赞

**目录**

Python中的NumPy入门

1. 安装NumPy

2. 导入NumPy

3. 创建NumPy数组

4. 数组属性和操作

4.1 数组属性

4.2 数组操作

5. 数组索引和切片

6. 数组形状变换

7. 示例代码：计算学生成绩平均值

NumPy的缺点

类似的库或工具

结论

--------------------

### Python中的NumPy入门 ###

在Python中，NumPy是一个强大的数值计算库。它提供了高性能的多维数组对象和各种计算函数，是进行科学计算和数据分析的重要工具。本文将介绍NumPy的基本概念以及如何使用它进行数组操作和数学运算。

### 1. 安装NumPy ###

要使用NumPy，首先需要在Python环境中安装它。可以使用pip包管理工具进行安装。打开终端或命令提示符，执行以下命令：

plaintextCopy codepip install numpy

### 2. 导入NumPy ###

在Python中，使用`import`语句导入NumPy库：

pythonCopy codeimport numpy as np

一般约定的做法是将NumPy库命名为`np`，以便在代码中使用时更加方便。

### 3. 创建NumPy数组 ###

NumPy的核心对象是`ndarray`（N-dimensional array），即多维数组。可以使用`array()`函数创建一个ndarray对象。例如，创建一个一维数组：

pythonCopy codeimport numpy as np
    arr = np.array([1, 2, 3, 4, 5])
    print(arr)

输出结果为：

plaintextCopy code[1 2 3 4 5]

同样，可以创建二维、三维等多维数组。例如，创建一个二维数组：

pythonCopy codeimport numpy as np
    arr = np.array([[1, 2, 3], [4, 5, 6]])
    print(arr)

输出结果为：

plaintextCopy code[[1 2 3]
     [4 5 6]]

### 4. 数组属性和操作 ###

#### 4.1 数组属性 ####

ndarray对象有一些常用的属性，可以用来查询数组的特性，如形状、维度数、数据类型等。例如：

pythonCopy codeimport numpy as np
    arr = np.array([[1, 2, 3], [4, 5, 6]])
    print(arr.shape)    # 输出数组形状（维度数）
    print(arr.ndim)     # 输出数组的维度数
    print(arr.dtype)    # 输出数组元素的数据类型

输出结果为：

plaintextCopy code(2, 3)
    2
    int64

#### 4.2 数组操作 ####

NumPy提供了许多函数和方法用于对数组进行操作，例如计算数组的和、平均值、最大值等。这些操作可以在整个数组上执行，也可以在特定的轴上执行。例如：

pythonCopy codeimport numpy as np
    arr = np.array([[1, 2, 3], [4, 5, 6]])
    print(arr.sum())         # 计算数组所有元素的和
    print(arr.mean())        # 计算数组所有元素的平均值
    print(arr.max(axis=0))   # 沿着轴0（列）计算数组每列的最大值

输出结果为：

plaintextCopy code21
    3.5
    [4 5 6]

### 5. 数组索引和切片 ###

NumPy允许使用索引和切片来访问数组元素，与Python的列表类似。例如：

pythonCopy codeimport numpy as np
    arr = np.array([1, 2, 3, 4, 5])
    print(arr[0])         # 索引第一个元素
    print(arr[1:4])       # 切片取出第二个到第四个元素

输出结果为：

plaintextCopy code1
    [2 3 4]

对于多维数组，可以使用逗号分隔的索引和切片来访问特定的元素或子数组。例如：

pythonCopy codeimport numpy as np
    arr = np.array([[1, 2, 3], [4, 5, 6]])
    print(arr[0, 1])           # 访问第一行第二列的元素
    print(arr[:, 1:3])         # 取出所有行的第二和第三列

输出结果为：

plaintextCopy code2
    [[2 3]
     [5 6]]

### 6. 数组形状变换 ###

在NumPy中，可以使用`reshape()`函数来改变数组的形状。例如：

pythonCopy codeimport numpy as np
    arr = np.array([1, 2, 3, 4, 5])
    reshaped_arr = arr.reshape((5, 1))      # 将一维数组转换为列向量
    print(reshaped_arr)

输出结果为：

plaintextCopy code[[1]
     [2]
     [3]
     [4]
     [5]]

### 7. 示例代码：计算学生成绩平均值 ###

假设有一批学生成绩数据，每个学生有多门科目的成绩。现在我们想要计算每个学生的平均成绩以及每门科目的平均成绩。可以使用NumPy来进行数据计算和操作。 首先，我们创建一个包含学生成绩的二维数组。每一行表示一个学生的成绩，每一列表示一门科目的成绩。示例代码如下：

pythonCopy codeimport numpy as np
    # 创建学生成绩数组
    scores = np.array([[80, 90, 85],
                       [70, 85, 90],
                       [75, 80, 85],
                       [85, 90, 80]])
    print("学生成绩数组：")
    print(scores)

输出结果为：

plaintextCopy code学生成绩数组：
    [[80 90 85]
     [70 85 90]
     [75 80 85]
     [85 90 80]]

然后，我们可以使用NumPy的函数和方法进行计算。例如，使用`mean()`函数计算每个学生的平均成绩和每门科目的平均成绩。示例代码如下：

pythonCopy code# 计算每个学生的平均成绩
    student_avg = np.mean(scores, axis=1)
    print("\n每个学生的平均成绩：")
    print(student_avg)
    # 计算每门科目的平均成绩
    subject_avg = np.mean(scores, axis=0)
    print("\n每门科目的平均成绩：")
    print(subject_avg)

输出结果为：

plaintextCopy code每个学生的平均成绩：
    [85.         81.66666667 80.        85.        ]
    每门科目的平均成绩：
    [77.5 86.25 85.  ]

通过以上代码，我们成功计算了每个学生的平均成绩和每门科目的平均成绩，实现了对学生成绩数据的统计分析。这个例子展示了NumPy在实际应用场景中的灵活性和高效性。 希望这个示例代码可以帮助您更好地理解NumPy的使用方法和实际应用。

### NumPy的缺点 ###

1.  大量内存占用：NumPy数组在内存中是连续存储的，这意味着数组的大小必须在创建之前就确定。当处理大规模数据集时，NumPy数组可能会占用相当大的内存空间。
2.  不支持动态数据的添加和删除：NumPy的数组大小是固定的，一旦创建，就无法动态地添加或删除元素。这使得数据的操作相对局限，有时需要重新创建数组并复制数据。
3.  不支持高级数据操作和复杂计算：尽管NumPy提供了基本的数组操作和线性代数函数，但在处理更复杂的数据操作和计算时，NumPy的功能相对有限。
4.  学习曲线较陡峭：使用NumPy需要一定的数学和计算机基础知识，理解和掌握NumPy的用法和函数可能需要一定的学习成本和时间。

### 类似的库或工具 ###

1.  Pandas：Pandas是基于NumPy构建的数据处理库，提供了更高级的数据结构和功能，如数据表（DataFrame）和数据索引。它可以方便地进行数据清洗、转换、分组、筛选等操作，适用于处理结构化数据。
2.  TensorFlow：TensorFlow是一个强大的开源机器学习框架，用于构建和训练深度学习模型。虽然它也使用到了NumPy数组作为底层数据结构，但它提供了更高级的功能和算法，如神经网络层、优化器等，适用于实现复杂的机器学习任务。
3.  SciPy：SciPy是一个专注于科学计算的Python库，它提供了丰富的高级数学、科学和工程计算功能，例如插值、优化、图像处理等。虽然它也依赖于NumPy，但它提供了更多领域特定的算法和函数。
4.  Dask：Dask是一个用于处理大规模数据的灵活并行计算库，它可以扩展NumPy和Pandas的功能，以便处理超出单个计算机内存限制的数据集。
5.  Spark：Apache Spark是一个用于大规模数据处理和分析的强大开源工具，它提供了分布式计算功能，并支持大规模数据集的处理和分析。Spark中也包含可以与NumPy进行交互的功能。

### 结论 ###

本文介绍了使用NumPy的基本概念和操作。NumPy提供了强大的数组功能，方便进行科学计算和数据分析。希望本文能够帮助你入门NumPy，并在日后的工作中得到实际应用。 更多关于NumPy的信息和文档，请参考NumPy官方网站：[https://numpy.org/][https_numpy.org]

[https_numpy.org]: https://numpy.org/