python numpy模块详解

numpy模块概述

安装numpy模块：pip install numpy

1. 主要数据结构是ndarray，即多维数组，但要求单个数组内所有数据是同质的，即类型必须相同。
2. numpy的数据结构仅支持数字索引。
3. 提供了基本的数组操作、线性代数、傅里叶变换和随机数生成等功能。
4. 底层实现为C语言，具有极高的性能，尤其在处理大规模数组和矩阵运算时表现优越。
5. 适用于数值计算和大规模同质数据处理。
6. 数组与列表的区别：数组是一种特殊变量，虽与列表相似，但列表可以存储任意类型的数据，数组只能存储一种类型的数据，同时，数组提供了许多方便统计计算的功能（如平均值mean、标准差std等）。

基本使用

多维数组对象 (ndarray)

import numpy as np

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

print(a.shape)  # 输出: (3,)
print(b.dtype)  # 输出: int64
print(b.size)   # 输出: 6

# 数组切片和索引：
c = np.array([1, 2, 3, 4, 5])
print(c[1:3])   # 输出: [2 3]
print(c[:3])    # 输出: [1 2 3]

# 形状变换
d = np.array([[1, 2], [3, 4], [5, 6]])
print(d.reshape(2, 3))  # 输出: [[1 2 3]

# 数学函数
e = np.array([1, 2, 3])
print(e + 1)  # 输出: [2 3 4]
print(e * 2)  # 输出: [2 4 6]

# 统计函数
f = np.array([1, 2, 3, 4, 5])
print(np.mean(f))   # 输出: 3.0
print(np.std(f))    # 输出: 1.4142135623730951

# 线性代数 矩阵运算
g = np.array([[1, 2], [3, 4]])
h = np.array([[5, 6], [7, 8]])
print(np.dot(g, h))  # 矩阵乘法

# 线性代数 矩阵分解
i = np.array([[1, 2], [3, 4]])
print(np.linalg.inv(i))  # 矩阵求逆
print(np.linalg.eig(i))  # 特征值和特征向量

# 随机数生成
print(np.random.rand(3, 2))   # 生成3x2的随机数组
print(np.random.randint(0, 10, size=(3, 3)))  # 生成3x3的随机整数数组

# 广播机制
j = np.array([1, 2, 3])
k = np.array([[1], [2], [3]])
print(j + k)  # 输出: [[2 3 4]

# 高级索引和切片
# 布尔索引
l = np.array([1, 2, 3, 4, 5])
print(l[l > 2])  # 输出: [3 4 5]
# 花式索引
m = np.array([1, 2, 3, 4, 5])
indices = [0, 2, 4]
print(m[indices])  # 输出: [1 3 5]

# 文件读写
n = np.array([1, 2, 3])
np.save('array.npy', n)         # 保存为.npy文件
o = np.load('array.npy')        # 加载.npy文件
print(o)  # 输出: [1 2 3]