numpy中文手冊詳解

一、介紹numpy

numpy是一個Python第三方庫，提供了數組和矩陣運算的高效操作方法以及各種數學函數的實現，同時numpy也是進行數據分析及科學計算的基礎包之一。

引入numpy庫，並設置別名np，可以使用以下代碼：

<python>
    import numpy as np

二、創建ndarray

numpy提供了幾種創建ndarray的方法：

1.使用array()函數創建

這是創建ndarray最常用的方式，可以將列表或元組變為ndarray:

<python>
    >>> list1 = [1, 2, 3, 4, 5]
    >>> array1 = np.array(list1)
    >>> array1
    array([1, 2, 3, 4, 5])
    
    >>> tuple1 = (1, 2, 3, 4, 5)
    >>> array2 = np.array(tuple1)
    >>> array2
    array([1, 2, 3, 4, 5])

2.使用arange()函數創建

arange()函數可以創建指定區間內的等差數組，與Python內置的range()函數類似，但是arange()返回的是ndarray類型：

<python>
    >>> array3 = np.arange(1, 6)
    >>> array3
    array([1, 2, 3, 4, 5])

3.使用zeros()和ones()函數創建

這兩個函數分別可以創建指定大小的全0或全1數組：

<python>
    >>> array4 = np.zeros(5)
    >>> array4
    array([0., 0., 0., 0., 0.])

    >>> array5 = np.ones(5)
    >>> array5
    array([1., 1., 1., 1., 1.])

三、ndarray的基本屬性

創建ndarray後，可以使用以下屬性進行數據查看和處理：

1.shape

可以查看ndarray的尺寸，即每個軸上的元素個數：

<python>
    >>> array1 = np.array([[1, 2], [3, 4], [5, 6]])
    >>> array1.shape
    (3, 2)

2.ndim

可以查看ndarray的維數：

<python>
    >>> array1 = np.array([[1, 2], [3, 4], [5, 6]])
    >>> array1.ndim
    2

3.dtype

可以查看ndarray中元素的數據類型：

<python>
    >>> array1 = np.array([[1, 2], [3, 4], [5, 6]])
    >>> array1.dtype
    dtype('int64')

四、ndarray的切片與索引

在使用ndarray時，常用的就是對其進行切片或索引，以下為常用的操作方法：

1.切片

切片表示對ndarray的選取，例如：

<python>
    >>> array1 = np.array([[1, 2], [3, 4], [5, 6]])
    >>> array1[1:3, :]
    array([[3, 4], [5, 6]])

上述代碼表示選取ndarray從第2行（索引1）到第3行（索引2）的元素，同時在列方向上選取全列的元素。

2.索引

索引表示對ndarray的定位，例如：

<python>
    >>> array1 = np.array([[1, 2], [3, 4], [5, 6]])
    >>> array1[2, 1]
    6

上述代碼表示選取ndarray的第3行第2列的元素。

五、ndarray的數學運算

numpy支持大量數學運算，以下為常用的運演算法則：

1.基本運算

可以對ndarray進行加、減、乘、除、冪等基本數學運算：

<python>
    >>> array1 = np.array([1, 2, 3, 4])
    >>> array2 = np.array([5, 6, 7, 8])
    >>> array1 + array2
    array([ 6,  8, 10, 12])
    
    >>> array1 - array2
    array([-4, -4, -4, -4])
    
    >>> array1 * array2
    array([ 5, 12, 21, 32])
    
    >>> array2 / array1
    array([5.        , 3.        , 2.33333333, 2.        ])
    
    >>> array2 ** 2
    array([25, 36, 49, 64])

2.各種數學函數

numpy提供了很多各種數學函數，例如開方、log、sin、cos等，以下為示例代碼：

<python>
    >>> array1 = np.array([1, 2, 3, 4])
    
    # 開方運算
    >>> np.sqrt(array1)
    array([1.        , 1.41421356, 1.73205081, 2.        ])
    
    # 對數運算
    >>> np.log(array1)
    array([0.        , 0.69314718, 1.09861229, 1.38629436])
    
    # sin運算
    >>> np.sin(array1)
    array([ 0.84147098,  0.90929743,  0.14112001, -0.7568025 ])
    
    # cos運算
    >>> np.cos(array1)
    array([ 0.54030231, -0.41614684, -0.9899925 , -0.65364362])

六、ndarray的聚合運算

在數據處理過程中，經常需要將多維數組統計聚合，numpy提供了多種聚合方法。

1.sum函數

計算ndarray的總和：

<python>
    >>> array1 = np.array([[1, 2], [3, 4], [5, 6]])
    >>> array1.sum()
    21

2.mean函數

計算ndarray的平均值：

<python>
    >>> array1 = np.array([[1, 2], [3, 4], [5, 6]])
    >>> array1.mean()
    3.5

3.min和max函數

計算ndarray的最小值和最大值：

<python>
    >>> array1 = np.array([[1, 2], [3, 4], [5, 6]])
    >>> array1.min()
    1
    
    >>> array1.max()
    6

4.std函數

計算ndarray的標準差：

<python>
    >>> array1 = np.array([[1, 2], [3, 4], [5, 6]])
    >>> array1.std()
    1.707825127659933

七、結論

以上就是numpy中文手冊的基本介紹與操作方法，通過掌握這些內容，我們可以使用Python進行更加高效和精確的數據分析和科學計算。