PythonNumPy基础教程：操作与实例详解

本篇文章给大家分享《PythonNumPy入门教程：基础操作与实例详解》，覆盖了文章的常见基础知识，其实一个语言的全部知识点一篇文章是不可能说完的，但希望通过这些问题，让读者对自己的掌握程度有一定的认识(B 数)，从而弥补自己的不足，更好的掌握它。

NumPy是Python科学计算的核心库，支持高效多维数组操作。通过np.array、zeros、ones、arange、linspace、random等函数创建数组；支持向量化运算如加减乘除、幂运算和矩阵乘法（@或np.dot）；提供索引切片及布尔索引功能；常用统计函数包括sum、mean、std、max、min及argmax、argmin；可使用reshape和transpose调整数组形状。掌握这些基础操作有助于高效数据处理。

NumPy 是 Python 中用于科学计算的核心库之一，尤其擅长处理多维数组和矩阵运算。它提供了高效的数组操作功能，是数据分析、机器学习等领域不可或缺的工具。下面通过基本操作与实例讲解，带你快速掌握 NumPy 的常用用法。

创建数组

NumPy 的核心是 ndarray 对象，即多维数组。可以通过多种方式创建数组：

• np.array()：将列表或元组转换为数组
• np.zeros()：创建全零数组
• np.ones()：创建全一数组
• np.arange()：生成等差数组
• np.linspace()：生成等间隔数值序列
• np.random.rand()：生成随机数组

示例：

import numpy as np
<h1>创建一维数组</h1><p>arr1 = np.array([1, 2, 3])
print(arr1)  # [1 2 3]</p><h1>创建二维数组</h1><p>arr2 = np.array([[1, 2], [3, 4]])
print(arr2)</p><h1>全零数组</h1><p>zeros = np.zeros((2, 3))
print(zeros)</p><h1>从 0 到 10 的等差数列，共 5 个数</h1><p>linspace = np.linspace(0, 10, 5)
print(linspace)  # [ 0.   2.5  5.   7.5 10. ]</p>

数组的基本操作

NumPy 支持丰富的数学运算和数组操作，且无需循环即可对整个数组进行操作（向量化）。

• 加减乘除：直接使用 +, -, *, /
• 幂运算：**
• 矩阵乘法：np.dot() 或 @
• 广播机制：不同形状数组间运算（在兼容条件下）

示例：

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
<p>print(a + b)      # [5 7 9]
print(a * 2)      # [2 4 6]
print(a ** 2)     # [1 4 9]</p><h1>二维矩阵乘法</h1><p>A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print(A @ B)      # 等价于 np.dot(A, B)</p>

索引与切片

NumPy 数组支持类似 Python 列表的索引和切片，但扩展到多维。

• 一维数组：用 [i] 取值，[start:stop:step] 切片
• 多维数组：用逗号分隔各维度，如 [行, 列]
• 布尔索引：用条件筛选元素

示例：

arr = np.array([10, 20, 30, 40, 50])
<p>print(arr[0])       # 10
print(arr[1:4])     # [20 30 40]</p><h1>二维数组</h1><p>mat = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(mat[1, 2])    # 6 (第2行第3列)
print(mat[:, 1])    # 第二列 [2 5 8]</p><h1>布尔索引</h1><p>mask = arr > 30
print(arr[mask])    # [40 50]</p>

常用函数与统计操作

NumPy 提供大量内置函数用于数学和统计计算。

• np.sum(), np.mean(), np.std()：求和、均值、标准差
• np.max(), np.min()：最大最小值
• np.argmax(), np.argmin()：返回最值索引
• np.reshape()：改变数组形状
• np.transpose()：转置数组

示例：

data = np.array([1, 2, 3, 4, 5])
<p>print(np.sum(data))     # 15
print(np.mean(data))    # 3.0
print(np.std(data))     # 1.414...</p><h1>改变形状</h1><p>arr = np.arange(6)
reshaped = arr.reshape((2, 3))
print(reshaped)</p>

基本上就这些。掌握这些基础操作后，你就能高效地使用 NumPy 处理数据了。不复杂但容易忽略细节，建议多动手练习。

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于文章的相关知识，也可关注golang学习网公众号。