numpy的基础知识点.docVIP

numpy的基础知识点

一、Numpy简介

Numpy是Python中一个非常重要的科学计算库。它提供了高性能的多维数组对象（ndarray）以及用于处理这些数组的工具。Numpy的核心是ndarray，它是一种同质的多维容器，即数组中的所有元素必须是相同的数据类型。这种数据结构使得Numpy在数值计算、数据处理和科学研究等领域具有很高的效率。

二、创建Numpy数组

1.从Python列表创建

-可以使用`np.array()`函数将Python列表转换为Numpy数组。例如：

```python

importnumpyasnp

my_list=[1,2,3]

np_array=np.array(my_list)

```

-如果是多维列表，将创建多维数组：

```python

my_matrix=[[1,2,3],[4,5,6],[7,8,9]]

np_matrix=np.array(my_matrix)

```

2.使用Numpy函数创建特定数组

-`np.zeros()`：创建全为0的数组。例如，创建一个形状为(3,3)的全0二维数组：

```python

zero_array=np.zeros((3,3))

```

-`np.ones()`：创建全为1的数组。

-`np.arange()`：类似于Python的`range`函数，用于创建等差数列数组。例如，`np.arange(0,10,2)`将创建一个从0开始，步长为2，到10（不包含10）的数组。

-`np.linspace()`：创建指定数量的等间距数组。如`np.linspace(0,1,5)`将创建一个在0到1之间均匀分布的5个元素的数组。

三、Numpy数组的属性

1.形状（Shape）

-可以通过`ndarray.shape`属性获取数组的形状。对于一维数组，它返回元素个数；对于多维数组，它返回一个元组，表示每个维度的大小。例如，对于一个二维数组`arr=np.array([[1,2],[3,4]])`，`arr.shape`将返回(2,2)。

2.数据类型（dtype）

-使用`ndarray.dtype`查看数组的数据类型。Numpy支持多种数据类型，如`int32`、`float64`等。可以在创建数组时指定数据类型，如`np.array([1,2,3],dtype=np.float64)`。

3.维度（ndim）

-通过`ndarray.ndim`获取数组的维度。例如，一维数组的维度为1，二维数组的维度为2。

四、数组索引与切片

1.索引

-对于一维数组，索引方式与Python列表类似。例如，对于数组`arr=np.array([1,2,3])`，`arr[0]`将获取第一个元素。

-对于多维数组，可以使用多个索引来定位元素。例如，对于二维数组`arr=np.array([[1,2],[3,4]])`，`arr[0,1]`将获取第一行第二列的元素。

2.切片

-一维数组的切片操作与Python列表切片类似。例如，`arr[1:3]`将获取索引从1到3（不包含3）的元素。

-对于多维数组，切片可以在每个维度上独立进行。例如，对于二维数组`arr=np.array([[1,2,3],[4,5,6],[7,8,9]])`，`arr[0:2,1:3]`将获取前两行中第二列和第三列的元素。

五、数组的基本运算

1.算术运算

-Numpy数组支持元素级别的算术运算。例如，对于两个形状相同的数组`arr1`和`arr2`，`arr1+arr2`将对应元素相加。同样可以进行减法、乘法、除法等运算。

-数组与标量的运算也可以直接进行。例如，`arr1=np.array([1,2,3])`，`arr12`将使数组中的每个元素乘以2。

2.聚合函数

-`np.sum()`：计算数组元素的总和。对于多维数组，可以指定轴（axis）参数来计算沿某个轴的和。例如，对于二维数组`arr=np.array([[1,2],[3,4]])`，`np.sum(arr,axis=0)`将计算每列的和。

-其他聚合函数还包括`np.mean()`（平均值）、`np.min()`（最小值）、`np.max()`（最大值）等。

六、广播机制

广播是Numpy中一种强大的机制，它允许不同形状的数组进行算术运算。当对两个数