NumPy（Numerical Python）是一个开源的Python科学计算库，提供了多维数组对象和对数组进行操作的工具。它是Python数据科学生态系统的核心库之一，被广泛用于科学计算、数据分析和机器学习等领域。本文将逐一解析NumPy库中的常用函数，包括数组创建、数组操作、数学函数、统计函数和线性代数等方面，并提供具体的代码示例。
- 数组创建
NumPy提供了多种创建数组的方法，可以通过指定维度、数据类型以及初始化值等方式来创建数组。常用的函数有：
1.1 numpy.array()：从列表或元组中创建数组。
import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(arr) # 输出：[1 2 3 4 5]
1.2 numpy.zeros()：创建指定维度的全零数组。
import numpy as np arr = np.zeros((3, 4)) print(arr) """ 输出： [[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.]] """
1.3 numpy.ones()：创建指定维度的全一数组。
import numpy as np arr = np.ones((2, 3)) print(arr) """ 输出： [[1. 1. 1.] [1. 1. 1.]] """
1.4 numpy.arange()：创建等差数组。
import numpy as np arr = np.arange(0, 10, 2) print(arr) # 输出：[0 2 4 6 8]
- 数组操作
NumPy提供了许多数组操作的函数，包括形状操作、索引和切片、扩展和堆叠以及数组转置等。常用的函数有：
2.1 reshape()：改变数组的形状。
import numpy as np arr = np.array([[1, 2, 3], [4, 5, 6]]) new_arr = arr.reshape((3, 2)) print(new_arr) """ 输出： [[1 2] [3 4] [5 6]] """
2.2 indexing和slicing：通过索引和切片操作数组。
import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(arr[2]) # 输出：3 print(arr[1:4]) # 输出：[2 3 4] print(arr[:3]) # 输出：[1 2 3] print(arr[-3:]) # 输出：[3 4 5]
2.3 concatenate()：将两个或多个数组进行拼接。
import numpy as np arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) arr = np.concatenate((arr1, arr2)) print(arr) # 输出：[1 2 3 4 5 6]
2.4 transpose()：对数组进行转置。
import numpy as np arr = np.array([[1, 2], [3, 4]]) new_arr = np.transpose(arr) print(new_arr) """ 输出： [[1 3] [2 4]] """
- 数学函数
NumPy提供了丰富的数学函数，如数值运算、三角函数、对数函数、指数函数等。常用的函数有：
3.1 np.mean()：计算数组的平均值。
前后端完整代码包括本馆动态，新书来了，书籍榜单，服务指南，进馆预约，活动讲座预约等功能，采用腾讯提供的小程序云开发解决方案，无须服务器和域名 预约管理：开始/截止时间/人数均可灵活设置，可以自定义客户预约填写的数据项 预约凭证：支持线下到场后校验签到/核销/二维码自助签到等多种方式详尽的 预约数据：支持预约名单数据导出Excel，打印
import numpy as np arr = np.array([1, 2, 3, 4, 5]) mean = np.mean(arr) print(mean) # 输出：3.0
3.2 np.sin()：计算数组元素的正弦值。
import numpy as np arr = np.array([0, np.pi/2, np.pi]) sin = np.sin(arr) print(sin) # 输出：[0. 1. 1.2246468e-16]
3.3 np.exp()：对数组元素进行指数运算。
import numpy as np arr = np.array([1, 2, 3]) exp = np.exp(arr) print(exp) # 输出：[ 2.71828183 7.3890561 20.08553692]
- 统计函数
NumPy提供了常用的统计函数，包括最大值、最小值、中位数、方差和标准差等。常用的函数有：
4.1 np.max()：计算数组的最大值。
import numpy as np arr = np.array([1, 2, 3, 4, 5]) max_value = np.max(arr) print(max_value) # 输出：5
4.2 np.min()：计算数组的最小值。
import numpy as np arr = np.array([1, 2, 3, 4, 5]) min_value = np.min(arr) print(min_value) # 输出：1
4.3 np.median()：计算数组的中位数。
import numpy as np arr = np.array([1, 2, 3, 4, 5]) median = np.median(arr) print(median) # 输出：3.0
4.4 np.var()：计算数组的方差。
import numpy as np arr = np.array([1, 2, 3, 4, 5]) variance = np.var(arr) print(variance) # 输出：2.0
- 线性代数
NumPy提供了基本的线性代数运算函数，如矩阵乘法、矩阵求逆、矩阵行列式等。常用的函数有：
5.1 np.dot()：计算两个数组的点积。
import numpy as np arr1 = np.array([[1, 2], [3, 4]]) arr2 = np.array([[5, 6], [7, 8]]) dot_product = np.dot(arr1, arr2) print(dot_product) """ 输出： [[19 22] [43 50]] """
5.2 np.linalg.inv()：计算矩阵的逆。
import numpy as np arr = np.array([[1, 2], [3, 4]]) inverse = np.linalg.inv(arr) print(inverse) """ 输出： [[-2. 1. ] [ 1.5 -0.5]] """
以上仅仅是NumPy库中函数的一部分，通过了解这些常用函数的使用方法，我们能更高效地使用NumPy进行数组操作、数学运算、统计分析和线性代数等计算任务。同时，通过深入学习NumPy库的相关文档，我们可以发现更多强大的函数和功能，为我们的科学计算工作提供有力的支持。
