Python 模块之 NumPy：高效操作多维数组

一、NumPy介绍

NumPy是一个基于Python语言的开源科学计算库，重点是支持数组计算。NumPy包含许多工具和函数，可以轻松地构建数组并使用它们来进行高效的数值计算。它是Python进行科学计算、数据分析和数据可视化的基础之一。与纯Python的列表相比，NumPy数组能够存储和处理更多的数据，是Python进行数据分析和处理时候的首选工具。

二、创建NumPy数组

使用NumPy创建数组可以方便而且非常灵活，可以按照特定的类型来创建、修改、处理和操作数组。使用NumPy创建数组有三种主要的方法：

1、将Python列表转换为NumPy数组。

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

2、使用NumPy内置的函数创建特定类型的数组。

import numpy as np
# 创建5行3列的全为0的数组
arr1 = np.zeros((5, 3))
# 创建5行3列的全为1的数组
arr2 = np.ones((5, 3))
# 创建5行3列的随机浮点数数组
arr3 = np.random.rand(5, 3)
print(arr1)
print(arr2)
print(arr3)

3、使用NumPy的arange()方法创建数字序列。使用reshape()方法可以将一维数组变成任何形状的数组。

import numpy as np
# 创建0到9的数字序列
arr1 = np.arange(10)
# 创建0到9，并将其变成5行2列的二维数组。
arr2 = np.arange(10).reshape(5, 2)
print(arr1)
print(arr2)

三、NumPy数组的基本操作

可以使用NumPy数组的基本操作进行数据的处理和运算，包括索引、切片、数组运算、聚合和重构。使用NumPy数组进行基本操作能够提高代码的效率和简化操作的复杂程度。

1、索引和切片

与Python列表类似，可以使用整数索引和切片来访问和处理数组的元素。NumPy的数组从0开始计数，数字必须小于数组的长度。

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr[0]) #输出1
print(arr[0:3]) #输出[1, 2, 3]

2、数组运算

使用NumPy的数组运算可以进行各种数学运算。所有算术运算符都可以在数组上操作，比如加、减、乘、除，以及对数、指数、三角函数、矩阵运算等。

import numpy as np
arr1 = np.array([1, 2, 3, 4, 5])
arr2 = np.array([6, 7, 8, 9, 10])
print(arr1+arr2) #输出[ 7  9 11 13 15]
print(arr1*arr2) #输出[ 6 14 24 36 50]
print(np.sin(arr1)) #输出[ 0.84147098  0.90929743  0.14112001 -0.7568025  -0.95892427]

3、聚合函数

聚合函数用于描述数组之间的统计关系。其中最基本的聚合函数包括sum、mean、min、max、std、var、argmin、argmax等。这些函数能够方便地计算数组的统计信息，可以帮助我们更好地分析数据。

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(np.sum(arr)) #输出15
print(np.mean(arr)) #输出3.0
print(np.max(arr)) #输出5
print(np.min(arr)) #输出1
print(np.std(arr)) #输出1.4142135623730951
print(np.argmax(arr)) #输出4

四、多维数组的创建与运算

在NumPy中，可以轻松地定义和使用多维数组。多维数组可以使用相同的方法进行索引、切片和运算，在处理更大型、更灵活的数据时非常有用。使用NumPy进行多维数组的操作能够更好地进行数据分析和处理。

1、创建多维数组

可以使用多种方式创建多维数组，如使用Python列表、数组、随机数等。可以使用NumPy提供的ndarray对象来创建多维数组。可以指定维数和大小，并使用类型关键字指定类型。

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

2、运算

多维数组也可以进行标量计算和数组计算，比如加、减、乘、除、矩阵乘法、转置、复制等操作。可以使用相同的操作符运算符进行操作。

import numpy as np
arr1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
arr2 = np.array([[2, 2, 2], [3, 3, 3], [4, 4, 4]])
print(arr1 + arr2)
print(arr1.dot(arr2)) #矩阵乘法

五、使用NumPy进行数据分析和预处理

除了基本的数组操作和运算外，NumPy还提供了一些很方便的方法和函数来进行数据分析和预处理。比如，读取和写入数据、条件筛选、排序、去重、合并、分组和聚合等。使用NumPy进行数据处理能够使代码更加简化。

1、读取和写入数据

我们可以使用NumPy读取文件中的数据，并写入到文件中。使用genfromtxt()方法可以读取csv格式的文件，并将其转换为NumPy数组。如果需要将NumPy数组写入到文件中，可以使用savetxt()方法。

import numpy as np
# 读取csv文件
data = np.genfromtxt('data.csv', delimiter=',')
# 输出读取到的数据
print(data)
# 将NumPy数组写入到csv文件中
np.savetxt('newdata.csv', data, delimiter=',')

2、条件筛选、排序、去重和聚合

使用NumPy的条件筛选、排序、去重和聚合，能够方便地将数据进行统计分析和预处理，使得分析数据更加方便和灵活。在处理数据时，可以根据需要使用灵活的方法。

import numpy as np
# 创建一个随机数组
arr = np.random.randint(0, 10, size=10)
# 打印出这个数组
print(arr)
# 筛选出大于5的数
print(arr[arr>5])
# 将该数组排序
print(np.sort(arr))
# 去重
print(np.unique(arr))
# 计算统计信息
print(np.mean(arr))
print(np.std(arr))

六、总结

NumPy是Python用于科学计算和数据分析的基础之一。在分析数据时，NumPy提供了有助于处理多维数组的函数和工具，诸如索引、切片、运算符和聚合函数等等。通过它，我们可以轻松地创建、处理和操作多维数组，优化代码效率。

原创文章，作者：小蓝，如若转载，请注明出处：https://www.506064.com/n/193681.html