当前位置：首页 > news >正文

如何做网站创业上海千樱网站建设

news 2025/11/2 12:13:39

如何做网站创业,上海千樱网站建设,做技术一般逛那些网站,网站设计字体NumPy 基础：Python 科学计算的基石【AI Study】第三天，NumPy 【AI Study】8-1，同NumPy类似的类库【AI Study】8-2，知识图谱【AI Study】8-3，基础知识【AI Study】8-4，核心功能【AI Study】8-5，…

NumPy 基础：Python 科学计算的基石

【AI Study】第三天，NumPy
【AI Study】8-1，同NumPy类似的类库
【AI Study】8-2，知识图谱
【AI Study】8-3，基础知识
【AI Study】8-4，核心功能
【AI Study】8-5，高级应用
【AI Study】8-6，最佳实践
【AI Study】8-7，进阶学习
【AI Study】8-8，实用技巧

文章要点

NumPy 的安装和环境配置方法
ndarray 数组对象的核心概念和创建方法
数组的基本属性和数据类型详解
数组的基础操作：索引、切片、变形和拼接
实用的代码示例和最佳实践

引言

NumPy（Numerical Python）是 Python 科学计算的基础库，它提供了高性能的多维数组对象和用于处理这些数组的工具。作为数据科学、机器学习和科学计算的基础，掌握 NumPy 对于 Python 开发者来说至关重要。本文将深入探讨 NumPy 的基础知识，帮助读者快速入门并掌握核心概念。

1. 安装与环境配置

1.1 安装 NumPy

NumPy 的安装非常简单，可以通过 pip 包管理器完成：

pip install numpy

对于科学计算环境，建议使用 Anaconda 发行版，它已经预装了 NumPy 和其他科学计算包：

conda install numpy

1.2 导入 NumPy

在 Python 代码中，我们通常使用以下方式导入 NumPy：

import numpy as np

这是 Python 社区的标准做法，使用 np 作为别名可以让我们更简洁地调用 NumPy 函数。

2. 数组基础

2.1 ndarray 对象

NumPy 的核心是 ndarray（n-dimensional array）对象，它是一个多维数组，所有元素都是相同类型的。让我们看看如何创建数组：

# 从列表创建数组
arr1 = np.array([1, 2, 3, 4, 5])
print("从列表创建的数组:", arr1)# 创建二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print("二维数组:\n", arr2)

2.2 使用特殊函数创建数组

NumPy 提供了多种创建数组的函数：

# 创建全零数组
zeros = np.zeros((3, 3))
print("全零数组:\n", zeros)# 创建全一数组
ones = np.ones((2, 4))
print("全一数组:\n", ones)# 创建等差数列
arange = np.arange(0, 10, 2)
print("等差数列:", arange)# 创建等间距数组
linspace = np.linspace(0, 1, 5)
print("等间距数组:", linspace)# 创建随机数组
random_arr = np.random.rand(3, 3)
print("随机数组:\n", random_arr)

2.3 数组属性

NumPy 数组具有多个重要的属性：

arr = np.array([[1, 2, 3], [4, 5, 6]])print("数组形状:", arr.shape)      # 输出: (2, 3)
print("数组维度:", arr.ndim)       # 输出: 2
print("数组大小:", arr.size)       # 输出: 6
print("数组类型:", arr.dtype)      # 输出: int64
print("每个元素字节数:", arr.itemsize)  # 输出: 8
print("总字节数:", arr.nbytes)     # 输出: 48

2.4 数据类型（dtype）

NumPy 支持多种数据类型，可以根据需要指定：

# 指定数据类型创建数组
arr_int = np.array([1, 2, 3], dtype=np.int32)
arr_float = np.array([1.1, 2.2, 3.3], dtype=np.float64)
arr_complex = np.array([1+2j, 3+4j], dtype=np.complex128)print("整数数组:", arr_int.dtype)      # 输出: int32
print("浮点数组:", arr_float.dtype)    # 输出: float64
print("复数数组:", arr_complex.dtype)  # 输出: complex128

3. 数组操作基础

3.1 索引与切片

NumPy 数组支持多种索引和切片操作：

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 基本索引
print("第一个元素:", arr[0, 0])  # 输出: 1
print("最后一行:", arr[-1])      # 输出: [7 8 9]# 切片操作
print("前两行:", arr[:2])        # 输出: [[1 2 3], [4 5 6]]
print("中间列:", arr[:, 1])      # 输出: [2 5 8]# 布尔索引
mask = arr > 5
print("大于5的元素:", arr[mask])  # 输出: [6 7 8 9]

3.2 数组变形

NumPy 提供了多种数组变形方法：

arr = np.array([1, 2, 3, 4, 5, 6])# 重塑数组
reshaped = arr.reshape(2, 3)
print("重塑后的数组:\n", reshaped)# 展平数组
flattened = arr.flatten()
print("展平后的数组:", flattened)# 转置数组
transposed = reshaped.T
print("转置后的数组:\n", transposed)

3.3 数组拼接与分割

数组的拼接和分割操作：

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])# 水平拼接
hstack = np.hstack((arr1, arr2))
print("水平拼接:", hstack)# 垂直拼接
vstack = np.vstack((arr1, arr2))
print("垂直拼接:\n", vstack)# 数组分割
arr = np.array([1, 2, 3, 4, 5, 6])
split_arr = np.split(arr, 3)
print("分割后的数组:", split_arr)

3.4 数组复制与视图

理解数组的复制和视图操作：

arr = np.array([1, 2, 3, 4, 5])# 视图（浅拷贝）
view = arr.view()
view[0] = 10
print("原数组:", arr)    # 输出: [10 2 3 4 5]
print("视图:", view)     # 输出: [10 2 3 4 5]# 深拷贝
copy = arr.copy()
copy[0] = 20
print("原数组:", arr)    # 输出: [10 2 3 4 5]
print("深拷贝:", copy)   # 输出: [20 2 3 4 5]