NumPy实战：初学者快速入门指南

本文为初学者提供了快速入门NumPy的指南，介绍了NumPy的安装、基础操作和高级功能。通过实战案例，展示了NumPy在数据分析和机器学习中的应用。文章涵盖了NumPy在数组运算、统计描述和数学函数方面的强大功能，希望读者能够通过本文掌握NumPy实战技巧。

NumPy实战：初学者快速入门指南

NumPy 是一个强大的 Python 库，专门用于科学计算和数据分析。它提供了一个强大的 n 维数组对象，以及对其进行操作的标准数学功能。本指南旨在帮助初学者快速入门 NumPy，了解其基本概念和高级操作。

NumPy简介与安装

什么是NumPy

NumPy 是 "Numerical Python" 的缩写，它提供了 Python 语言对多维数组和矩阵操作的支持。NumPy 是许多其他高级科学计算库的基石，包括 SciPy、Pandas、Matplotlib 等。

NumPy的安装方法

在开始使用 NumPy 之前，你需要先安装它。NumPy 可以通过 Python 的包管理工具 pip 来安装。以下是安装和验证 NumPy 的步骤：

1. 打开终端或命令行工具。
2. 运行以下命令安装 NumPy：

pip install numpy

1. 安装完成后，你可以通过导入 NumPy 来验证是否安装成功：

import numpy as np
print(np.__version__)

以上代码会输出 NumPy 的版本信息。确保你安装的版本是最新的，因为较新的版本通常会修复 bug 并增加新功能。如果输出没有问题，说明 NumPy 已安装成功。

NumPy基础操作

NumPy 的核心是 ndarray，即 n 维数组对象。本节将介绍如何创建 NumPy 数组以及如何获取数组的基本属性。

创建NumPy数组

可以通过多种方式创建 NumPy 数组，以下是几种常用的方法：

1. 使用 np.array() 函数：

import numpy as np

# 从列表创建数组
a = np.array([1, 2, 3])
print(a)
# 输出：[1 2 3]

1. 使用 np.arange() 函数，可以创建一个指定范围的数组：

b = np.arange(10)
print(b)
# 输出：[0 1 2 3 4 5 6 7 8 9]

1. 使用 np.zeros() 和 np.ones() 函数，可以创建全零和全一的数组：

c = np.zeros((3, 4))  # 创建一个3行4列的0矩阵
print(c)
# 输出：
# [[0. 0. 0. 0.]
#  [0. 0. 0. 0.]
# [0. 0. 0. 0.]]

d = np.ones((2, 3))  # 创建一个2行3列的1矩阵
print(d)
# 输出：
# [[1. 1. 1.]
# [1. 1. 1.]]

数组的基本属性：形状与维度

NumPy 数组有许多属性来描述其形状和维度。以下是几个常用的属性：

1. ndim：表示数组的维度数。
2. shape：表示数组的形状，即各个维度的大小。
3. size：表示数组中元素的总数。
4. dtype：表示数组元素的数据类型。

示例：

import numpy as np

e = np.array([[1, 2, 3], [4, 5, 6]])
print("数组e的维度：", e.ndim)
# 输出：数组e的维度： 2
print("数组e的形状：", e.shape)
# 输出：数组e的形状： (2, 3)
print("数组e的大小：", e.size)
# 输出：数组e的大小： 6
print("数组e的数据类型：", e.dtype)
# 输出：数组e的数据类型： int64

数组的基本操作：索引和切片

NumPy 数组支持索引和切片操作，类似于 Python 的列表。以下是一些示例：

1. 索引：

import numpy as np

f = np.array([10, 20, 30, 40, 50])
print("索引第0个元素：", f[0])
# 输出：索引第0个元素： 10
print("索引第2个元素：", f[2])
# 输出：索引第2个元素： 30

1. 切片：

import numpy as np

g = np.array([1, 2, 3, 4, 5])
print("切片第0到第2个元素：", g[0:3])
# 输出：切片第0到第2个元素： [1 2 3]
print("切片第1到第3个元素：", g[1:4])
# 输出：切片第1到第3个元素： [2 3 4]

数组运算

NumPy 支持各种数组运算，包括算术运算、逻辑运算和比较运算。这些运算可以是逐元素操作，也可以是矩阵操作。以下是一些常见运算的示例。

数组的算术运算

NumPy 支持各种算术运算，如加法、减法、乘法、除法等。以下是几个示例：

1. 加法：

import numpy as np

h = np.array([1, 2, 3])
i = np.array([4, 5, 6])
print("加法：", h + i)
# 输出：加法： [5 7 9]

1. 减法：

j = np.array([10, 20, 30])
k = np.array([5, 5, 5])
print("减法：", j - k)
# 输出：减法： [ 5 15 25]

1. 乘法：

l = np.array([1, 2, 3])
m = np.array([4, 5, 6])
print("乘法：", l * m)
# 输出：乘法： [ 4 10 18]

1. 除法：

n = np.array([10, 20, 30])
o = np.array([2, 4, 5])
print("除法：", n / o)
# 输出：除法： [5. 5. 6.]

数组的逻辑运算

NumPy 支持逻辑运算，如与、或、非等。以下是几个示例：

1. 与运算：

import numpy as np

p = np.array([True, False, True])
q = np.array([True, True, False])
print("与运算：", np.logical_and(p, q))
# 输出：与运算： [ True False False]

1. 或运算：

r = np.array([True, False, True])
s = np.array([False, True, False])
print("或运算：", np.logical_or(r, s))
# 输出：或运算： [ True  True  True]

1. 非运算：

t = np.array([True, False, True])
print("非运算：", np.logical_not(t))
# 输出：非运算： [False  True False]

数组的比较运算

NumPy 支持各种比较运算，如等于、不等于、大于、小于等。以下是几个示例：

1. 等于运算：

import numpy as np

u = np.array([1, 2, 3])
v = np.array([1, 2, 4])
print("等于运算：", u == v)
# 输出：等于运算： [ True  True False]

1. 不等于运算：

w = np.array([5, 6, 7])
x = np.array([8, 6, 7])
print("不等于运算：", w != x)
# 输出：不等于运算： [ True False False]

1. 大于运算：

y = np.array([10, 20, 30])
z = np.array([5, 15, 25])
print("大于运算：", y > z)
# 输出：大于运算： [ True  True False]

1. 小于运算：

aa = np.array([10, 20, 30])
bb = np.array([15, 25, 35])
print("小于运算：", aa < bb)
# 输出：小于运算： [ True True False]

数组高级操作

NumPy 提供了丰富的高级操作，如数组的广播、拼接与分割、排序与搜索等。以下是一些常见的高级操作示例。

数组的广播

广播是指 NumPy 数组之间的算术运算操作，即使数组的形状不同也能进行。NumPy 会自动扩展较小数组的形状，使其与较大数组匹配。以下是一些示例：

1. 广播基本示例：

import numpy as np

cc = np.array([1, 2, 3])
dd = np.array([4, 5, 6])
ee = cc + dd
print("广播运算：", ee)
# 输出：广播运算： [5 7 9]

1. 广播二维数组与一维数组：

ff = np.array([[1, 2, 3], [4, 5, 6]])
gg = np.array([10, 20, 30])
hh = ff + gg
print("广播二维数组与一维数组：", hh)
# 输出：广播二维数组与一维数组： [[11 22 33]
# [14 25 36]]

数组的拼接与分割

NumPy 提供了多种方法来拼接和分割数组。以下是一些示例：

1. 拼接：

import numpy as np

ii = np.array([1, 2, 3])
jj = np.array([4, 5, 6])
kk = np.concatenate((ii, jj))
print("拼接：", kk)
# 输出：拼接： [1 2 3 4 5 6]

1. 分割：

import numpy as np

ll = np.array([1, 2, 3, 4, 5, 6])
mm = np.array_split(ll, 3)
print("分割：", mm)
# 输出：分割： [array([1, 2]), array([3, 4]), array([5, 6])]

数组的排序与搜索

NumPy 提供了多种排序和搜索数组的函数。以下是一些示例：

1. 排序：

import numpy as np

nn = np.array([3, 1, 4, 1, 5, 9, 2, 6, 5])
sorted_nn = np.sort(nn)
print("排序：", sorted_nn)
# 输出：排序： [1 1 2 3 4 5 5 6 9]

1. 搜索：

import numpy as np

oo = np.array([1, 2, 3, 4, 5, 6])
pp = np.where(oo > 3)
print("搜索：", pp)
# 输出：搜索： (array([3, 4, 5]),)

数组的统计运算

NumPy 提供了丰富的统计函数来计算数组的统计描述。以下是一些常见的统计函数和示例。

数组的统计描述

你可以使用 np.mean()、np.median()、np.std() 等函数来计算数组的统计描述。以下是一些示例：

1. 计算平均值：

import numpy as np

qq = np.array([1, 2, 3, 4, 5])
rr = np.mean(qq)
print("平均值：", rr)
# 输出：平均值： 3.0

1. 计算中位数：

import numpy as np

ss = np.array([1, 2, 3, 4, 5, 6])
tt = np.median(ss)
print("中位数：", tt)
# 输出：中位数： 3.5

1. 计算标准差：

import numpy as np

uu = np.array([1, 2, 3, 4, 5])
vv = np.std(uu)
print("标准差：", vv)
# 输出：标准差： 1.4142135623730951

常用的统计函数

NumPy 提供了许多常用的统计函数，如下所示：

1. np.sum()：计算数组元素的总和：

import numpy as np

ww = np.array([1, 2, 3, 4, 5])
xx = np.sum(ww)
print("总和：", xx)
# 输出：总和： 15

1. np.prod()：计算数组元素的乘积：

import numpy as np

yy = np.array([1, 2, 3, 4, 5])
zz = np.prod(yy)
print("乘积：", zz)
# 输出：乘积： 120

1. np.min()、np.max()：计算数组元素的最小值和最大值：

import numpy as np

aaa = np.array([1, 2, 3, 4, 5])
bbb = np.min(aaa)
ccc = np.max(aaa)
print("最小值：", bbb)
# 输出：最小值： 1
print("最大值：", ccc)
# 输出：最大值： 5

数组的数学函数

NumPy 还提供了一系列数学函数来计算数组的数学变换。以下是一些常见的数学函数示例：

1. np.sin()、np.cos()、np.tan()：计算三角函数：

import numpy as np

ddd = np.array([0, np.pi/4, np.pi/2])
eee = np.sin(ddd)
fff = np.cos(ddd)
ggg = np.tan(ddd)
print("正弦：", eee)
# 输出：正弦： [0.0000000e+00 7.0710678e-01 1.0000000e+00]
print("余弦：", fff)
# 输出：余弦： [1.0000000e+00 7.0710678e-01 6.1232340e-17]
print("正切：", ggg)
# 输出：正切： [0.0000000e+00 1.0000000e+00 1.6331239e+16]

1. np.log()、np.log10()：计算自然对数和常用对数：

import numpy as np

hhh = np.array([1, 10, 100])
iii = np.log(hhh)
jjj = np.log10(hhh)
print("自然对数：", iii)
# 输出：自然对数： [0.         1.         4.60517019]
print("常用对数：", jjj)
# 输出：常用对数： [0. 1. 2.]

1. np.sqrt()：计算平方根：

import numpy as np

kkk = np.array([1, 4, 9, 16])
lll = np.sqrt(kkk)
print("平方根：", lll)
# 输出：平方根： [1. 2. 3. 4.]

实战案例

简单的数据分析案例

假设我们有一组学生成绩数据，我们希望计算平均分、最高分和最低分。以下是如何使用 NumPy 进行数据分析的示例：

import numpy as np

# 学生成绩数据
scores = np.array([89, 92, 95, 84, 90, 88, 87, 91, 93, 86])

# 计算平均分、最高分和最低分
mean_score = np.mean(scores)
max_score = np.max(scores)
min_score = np.min(scores)

print("平均分：", mean_score)
print("最高分：", max_score)
print("最低分：", min_score)

数据可视化基础

NumPy 能够很好地与其他可视化库如 Matplotlib 配合使用。以下是如何使用 NumPy 和 Matplotlib 进行简单的数据可视化：

import numpy as np
import matplotlib.pyplot as plt

# 生成一组随机数据
data = np.random.rand(50)

# 绘制数据的直方图
plt.hist(data, bins=10, alpha=0.7, color='blue')
plt.title("直方图")
plt.xlabel("值")
plt.ylabel("频率")
plt.show()

数组在机器学习中的应用

NumPy 在机器学习中扮演着重要角色，特别是在处理大量数据时。以下是如何使用 NumPy 进行简单的机器学习预处理：

import numpy as np

# 生成一批随机数据
X = np.random.rand(100, 2)
y = np.random.randint(2, size=100)

# 数据标准化
mean = np.mean(X, axis=0)
std = np.std(X, axis=0)
X_normalized = (X - mean) / std

# 打印标准化后的数据
print("标准化后的数据：")
print(X_normalized)

以上示例展示了 NumPy 在数据处理和机器学习预处理中的应用。通过 NumPy，你可以高效地处理大规模数据集，进行各种统计和数学运算，从而为高级数据分析和机器学习算法提供坚实的基础。

总结

通过本指南，你已经掌握了 NumPy 的基本概念和高级操作。NumPy 提供了强大的科学计算功能，使 Python 成为了数据科学家和机器学习工程师的首选语言。如果你希望进一步学习 Python 数据科学库，建议访问 慕课网，那里提供了丰富的教程和实战项目。