numpy詳細教程（涵蓋全部，看這一篇就夠了）-CSDN博客

 numpy初識：

作為數據分析三劍客之一的numpy，只要用到python來進行數據分析，那numpy是必不可少的

NumPy，一言以蔽之，是Python中基于數組對象的科學計算庫。它是Python語言的一個擴展程序庫，支持大量的維度數組與矩陣運算，以及大量的數學函數庫。NumPy的核心是ndarray對象，它是一個功能強大的N維數組對象，封裝了n維同類數組。很多運算是由編譯過的代碼來執行的，以此來提高效率。

以下是NumPy的一些主要特點：

     

1. 多維數組對象：NumPy的核心數據結構是ndarray，它是一個多維數組，用于存儲同質數據類型的元素。這些數組可以是一維、二維、三維等，非常適用于向量化操作和矩陣運算。

2. 廣播功能：NumPy允許在不同形狀的數組之間執行操作，通過廣播功能，它可以自動調整數組的形狀，以使操作變得有效。

3. 豐富的數學函數：NumPy提供了大量的數學、統計和線性代數函數，包括基本的加減乘除、三角函數、指數和對數函數、隨機數生成、矩陣操作等。

4. 索引和切片：NumPy允許使用索引和切片操作來訪問和修改數組中的元素，這使得數據的選擇和處理非常靈活。

5. 高性能計算：NumPy的底層實現是用C語言編寫的，因此它在處理大規模數據時非常高效。此外，NumPy還與其他高性能計算庫（如BLAS和LAPACK）集成，提供了快速的線性代數運算。

6. 互操作性：NumPy可以與許多其他Python庫和數據格式（例如Pandas、SciPy、Matplotlib）無縫集成，這使得數據科學工作流更加流暢。

NumPy的廣泛應用范圍包括數據處理、科學研究、機器學習、圖像處理、信號處理等各種領域。

它為數據分析人員、科學家和工程師提供了一個功能強大且高效的工具，以便進行數值計算和數據處理

安裝numpy

         這里介紹anaconda命令行安裝方法

         第一步，打開anaconda終端

              

第二步，創建虛擬環境

（已經創建好虛擬環境的可以直接到第四步)

conda create -n NumpyTest python=3.7

(NumTest為你要創建虛擬環境的名稱 ，后面為對應的版本,你想創建3.10的版本,后面就改為python=3.10)

 第三步，輸入y安裝基礎包

第四步 切換至你創建的虛擬環境的目錄下

 我這里創建的是虛擬環境的名字是NumpyTest，所以我切換至NumpyTest環境下

conda activate NumpyTest

 

第五步：安裝 numpy包 

pip install numpy

有些小伙伴可能因為網絡問題安裝不了，可以切換至清華園鏡像，代碼也是很簡單的，我這里就不贅敘了

1. 還缺啥包直接pip install 包名
2. 在pycharm中加載該環境即可，創建的環境在anaconda\envs下面

     創建數組

                   1.1創建一維數組   

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

                  1.2創建創建二維數組（矩陣）array

1. import numpy as np
2. data=np.array([[1,2,3,4],[4,5,6,7]])
3. print(data)

                  1.3創建全0數組

  shape屬性代表形狀 shape（2，5） 就代表創建2行5列的全零數組

創建全零數組的用途是初始化一個具有特定形狀和大小的數組，其中所有元素都設置為0。在處理圖像或其他數據時，全零數組可以用作初始值或占位符。

例如，假設我們要讀取一個尺寸為（255，255，255）的圖片，我們可以創建一個相同維度的全零數組，然后將圖片讀入該數組進行填充。這樣做的好處是，我們可以直接將原始圖像數據存儲在全零數組中，而無需擔心數據溢出或其他問題。

1. import numpy as np
2. #shape代表形狀，比如我這里創建的就是5行三列的2維數組
3. data=np.zeros(shape=(5,3))
4. print(data)

                  1.4創建全1數組

創建全1數組的用途是初始化一個具有特定形狀和大小的數組，其中所有元素都設置為1。在處理一些數學問題或算法時，全1數組可以用作初始值或占位符。

例如，假設我們要計算一個矩陣與自身的轉置相乘的結果，我們可以創建一個與輸入矩陣相同維度的全1數組，然后將輸入矩陣讀入該數組進行填充。這樣做的好處是，我們可以直接將原始矩陣數據存儲在全1數組中，而無需擔心數據溢出或其他問題。

1. import numpy as np
2. #shape代表形狀，比如我這里創建的就是5行三列的2維數組
3. data=np.ones(shape=(5,3))
4. print(data)

                  1.5創建全空數組

創建出來的全空數組中的數據都是無限小的、無限接近于0但不是0，這方便我們數學上的一些操作

1. import numpy as np
2. #shape代表維度，比如我這里創建的就是5行三列的2維數組
3. data=np.empty(shape=(5,3))
4. print(data)

                1.6 創建有連續序列的數組 arange

數組從10開始步長為2，所以創建出來數組元素就是10，12，14

1. import numpy as np
2. data = np.arange(10,16,2) # 10-16的數據，步長為2
3. print(data)

              1.7 創建有連續間隔的數組 linspace 

         也可以稱為線性等分向量（linear space），在一個指定區間內按照指定的步長，將區間均等分，生成的是一個線段類型的數組。生成的線性間隔數據中，是有把區間的兩端加進去的

1. import numpy as np
2. # 創建線段型數據
3. data= np.linspace(1,10,20) # 開始端1，結束端10，且分割成20個數據，生成線段
4. print(data)

               1.8創建隨機數組

       創建隨機數組的用途是初始化一個具有特定形狀和大小的數組，其中所有元素都是隨機生成的。在處理一些需要模擬隨機數據的情況時，隨機數組可以用作占位符或測試數據。

1. import numpy as np
2. data = np.random.rand(3,4)
3. print(data)

           這里我們還可以用另外一種方法創建數組，這種方法很靈活，也好用

      這段代碼使用NumPy庫創建了一個4行5列的隨機整數數組，其中每個元素的值在2到5之間

1. import numpy as np
2. data=np.random.randint(2,5,size=(4,5));
3. print(data)

 效果圖：

 

 

            1.9改變數組形狀

              這個怎么理解呢，比如說你本來有一個2行3列的數組，你可以把它改成為3行2列的數組

              注意：因為數組中元素是沒有改變的，所以重塑數組指定的尺寸大小是否和原本的尺寸大小一樣，大一點和小一點都會報錯，2行3列的數組，你可以把它改成為3行2列的數組 ，或者1行6列，改后尺寸必須一樣，reshape本質就是原本數組中的元素按順序展開來，然后依次填入新定義的尺寸中去.注意 reshape后面填的是元組數據類型

1. import numpy as np
2. data1=[1,2,3,4,5]
3. data2=[1,2,3,4,5]
4. data=np.array([data1,data2])
5. print("改之前的數組形狀為:")
6. print(data.shape)
7. data=data.reshape((5,2))
8. print("改之后的數組形狀為:")
9. print(data.shape)

    運行結果：

      

      1.10數組轉置

1. import numpy as np
2. data = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3. data_array = np.array(data)
4. print("沒有轉置數組之前數組為：")
5. print(data)
6. print("轉置數組之后數組為：")
7. print(data_array.T)

    運行效果

    

數組顯示操作 

        2.1數組維度 ndim

   ndim屬性代表數組維度

1. data = np.array([1,2,3])
2. print(data.ndim)

      2.2數組形狀shape

  shape屬性代表數組形狀，可以這么理解shape是各個方向的維度(ndim)

print(data.shape)

      2.3數組中元素個數

print(data.size)

    2.4 數組的數據類型 dtype

print(data.dtype)

數組的運算

這里簡單講兩個例子

數組加法

1. import numpy as np
2. array1 = np.array([1, 2, 3])
3. array2 = np.array([4, 5, 6])
4. result = array1 + array2
5. print(result)

數組乘法

1. result=array1*array2
2. print(result)

數組中的數據統計

      數據統計大家有個印象就行，不要刻意的去記，用到的時候回來看一眼就可以了，多用也就會了

計算數組的平均值

numpy.mean(arr, axis=None, dtype=None, out=None): 計算數組的平均值。參數axis表示沿著哪個軸進行計算，默認為None，表示計算整個數組的平均值；dtype表示返回結果的數據類型，默認為float64；out表示將結果存儲在指定的數組中,一般情況下，傳個數組進去就可以了，其他的用默認的就好了，其它的方法也是一樣，我不贅述

1. import numpy as np
2. data=[1,5,6,9]
3. mindle=np.mean(data)
4. print(mindle)

計算數組的中位數

numpy.median(arr, axis=None, out=None): 計算數組的中位數。參數axis和out的含義與numpy.mean()相同

1. import numpy as np
2. data=[1,5,6,9]
3. data1=np.median(data)
4. print(data1)

 其他的我就不給代碼示例了，直接上參數詳解好吧，也不要浪費這個時間

計算數組的標準差

numpy.std(arr, axis=None, dtype=None, out=None): 計算數組的標準差。參數axis、dtype和out的含義與numpy.mean()相同。

計算數組的方差

numpy.var(arr, axis=None, dtype=None, out=None): 計算數組的方差。參數axis、dtype和out的含義與numpy.mean()相同。

 計算數組的最小值 

numpy.min(arr, axis=None, out=None): 計算數組的最小值。參數axis和out的含義與numpy.mean()相同。

 計算數組的最大值

numpy.max(arr, axis=None, out=None): 計算數組的最大值。參數axis和out的含義與numpy.mean()相同

計算數組的元素之和

numpy.sum(arr, axis=None, dtype=None, out=None): 計算數組的元素之和。參數axis、dtype和out的含義與numpy.mean()相同。

計算數組的元素乘積

numpy.prod(arr, axis=None, dtype=None, out=None): 計算數組的元素乘積。參數axis、dtype和out的含義與numpy.mean()相同

計算數組的累積和

numpy.cumsum(arr, axis=None, dtype=None, out=None): 計算數組的累積和。參數axis、dtype和out的含義與numpy.mean()相同。

 

數組的索引和切片

   切片怎么說呢，一維數組好講，多維數組不太好講，我們一起看看吧

     一維數組切片

    對于一維數組來說，它類似于一條直線，其上的坐標位置用一個數字就可以表示。例如，對于一個長度為5的一維數組arr = [1, 2, 3, 4, 5]，我們可以用數字0到4來表示它的每一個位置。當我們使用切片操作時，就可以通過指定起始位置和結束位置來獲取數組中的一部分元素。例如，如果我們想要獲取從索引1到索引3的元素，可以使用切片操作arr[1:4]，結果為[2, 3, 4]。需要注意的是，切片操作是左閉右開的，即包括起始位置，但不包括結束位置

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

     多維數組切片

      多維數組單純講不太好講，我多舉幾個例子吧

1. import numpy as np
2. data1=[1,2,3,4,5]
3. data2=[6,7,8,9,10]
4. data3=[11,12,13,14,15]
5. data4=[16,17,18,19,20]
6. data5=[21,22,23,24,25]
7. data6=[26,27,28,29,30]
8. data=np.array([[data1,data2,data3],[data4,data5,data6]])

   我先創建了一個3維數組，其形狀shape=(2,3,5)運行效果圖如下

   

我們以實操來進行講解

 行切片 

           假設我們現在只想取前面兩行，那我們應該怎么做呢？

          思路：我們先取第一維數據

print(data[0:1])

     運行效果：

               

現在它現在是不是就被分解成一個2維數組，我們再對這個2維數組進行操作，要想取這個2維數組前面兩行，代碼是啥呢？是不是就是data[0:2],那我們結合第一步的代碼，應該怎么做呢？

print(data[0:1,0:2])

 運行效果:

            

 這樣是不是就取到最前面兩行了

  其實就是進行分解操作就行，一維一維的進行分解，那我們再來看看列切片吧

列切片

    還是以這個數組進行列切片操作

print(data[:,])

運行效果圖：

可能這個操作小伙伴有些就看不懂了，啥意思呢，還是一句話，一維一維的進行分解，因為我們要取的是列，所有全部的行我們就應該都算進去，換句話來說，忽略行的影響 代碼就是data[:,]

再來取第2維

    代碼還是data[:]結合起來就是

print(data[:,:]

 效果圖：

  

我們再來取最后一維

print(data[:,:,0:2])

 運行效果 ：

        

至此，列取片也完成

總結：不管是列取片，還是行取片，你都去一維一維的去進行拆分，一維一維的去切片就好了 

數組堆疊

垂直堆疊

1. # 垂直堆疊
2. stacked_vertically = np.vstack((array1, array2))

水平堆疊

1. # 水平堆疊
2. stacked_horizontally = np.hstack((array1, array2))

保存和加載數組

保存數組到文件

1. # 保存數組到文件
2. np.save('my_array.npy', data)

加載數組

1. # 加載數組
2. loaded_data = np.load('my_array.npy')