作为Python的一个重要模块，NumPy是针对多维数组执行计算的类库，用于科学计算和数据分析。NumPy通过提供高效的多维数组对象，以及各种基于数组的操作函数，让Python具备了类似MATLAB的功能。
一、NumPy基础操作
1、NumPy数组的创建
import numpy as np
a = np.array([1,2,3,4]) #一维数组
b = np.array([[1, 2], [3, 4]]) #二维数组
c = np.zeros((3, 4)) #全为0的3行4列的矩阵
d = np.ones((2, 2)) #全为1的2行2列矩阵
e = np.empty((2, 3)) #未初始化的2行3列矩阵2、NumPy数组的属性
import numpy as np
a = np.array([[1, 2], [3, 4], [5, 6]])
print(a.shape) #(3, 2) 输出数组的形状
print(a.ndim) #2 输出数组的维度数
print(a.size) #6 输出数组元素的个数3、NumPy数组的索引和切片
import numpy as np
a = np.array([[1, 2], [3, 4], [5, 6]])
print(a[0, 1]) #2 输出第0行，第1个元素
print(a[:2, :]) #[[1 2] [3 4]] 输出前2行所有元素
print(a[:, -1]) #[2 4 6] 输出最后一列所有元素二、NumPy高级操作
1、NumPy数组的广播
广播功能是指NumPy在算术运算期间处理不同形状的数组的能力。 对于具有相同形状的数组，二元运算将“逐个元素”进行。 对于具有不同形状的数组，NumPy将尝试通过在缺失维度上广播数组来使它们具有相同的形状。
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
b = np.array([1, 0, 1])
print(a+b)
#输出:
#[[ 2 2 4]
#[ 5 5 7]
#[ 8 8 10]
#[11 11 13]]2、NumPy数组的排序
import numpy as np
a = np.array([[3, 1],[4, 2]])
print(np.sort(a, axis=0))
#输出
#[[3 1]
#[4 2]]
print(np.sort(a, axis=1))
#输出
#[[1 3]
#[2 4]]三、NumPy的应用领域
1、科学计算
NumPy提供了大量的计算方法，可以快速进行科学计算，例如矩阵运算、线性代数、傅里叶变换等等。NumPy的高效率和易用性让它成为了众多数学家、工程师和科学家们进行科学计算的首选工具。
2、数据处理
NumPy也可以轻松处理各种数值数据。它提供了许多内置方法来拟合数据、统计和整理数据、生成随机数据等等。
3、机器学习和人工智能
由于NumPy提供了非常强大的数组操作，在机器学习领域中，大部分的数据集都是使用NumPy数组进行存储和操作，因此NumPy是人工智能和机器学习的基础。
四、总结
NumPy是Python科学计算中最重要的库之一，它提供了大量的数学函数和科学计算模块，对于进行科学计算、数据处理和机器学习等方面都提供非常强大的支持。在学习和应用Python的过程中，熟悉NumPy的使用方法将对我们的工作和学习都提供很大的帮助。
原创文章，作者：小蓝，如若转载，请注明出处：https://www.506064.com/n/207010.html
微信扫一扫 
支付宝扫一扫 