Python NumPy 库详解
NumPy 是 Python 科学计算的核心库之一，主要用于处理大型、多维数组和矩阵，并提供对数组进行高效运算的函数和工具。本教程将深入讲解 NumPy 的功能，包括安装、核心概念、常用操作、代码示例和图解，帮助你快速掌握 NumPy。
一、NumPy 简介
1. 什么是 NumPy？
NumPy（Numerical Python）是一个开源库，用于高性能的数组计算。它提供：
- 多维数组对象（
ndarray）。 - 用于数组操作的函数，例如数学、线性代数、傅里叶变换等。
- 高效的数值运算性能，内部使用 C 实现。
2. NumPy 的应用场景
- 数据分析
- 机器学习
- 科学计算
- 图像处理
二、NumPy 安装
在开始使用之前，确保已经安装 NumPy，可以通过以下命令安装：
pip install numpy验证安装：
import numpy as np
print(np.__version__) # 打印 NumPy 版本三、核心概念详解
1. ndarray 对象
NumPy 的核心是 ndarray，它是一种多维数组。
import numpy as np
# 创建一维数组
arr1 = np.array([1, 2, 3, 4])
print(arr1)
# 创建二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2)输出：
[1 2 3 4]
[[1 2 3]
[4 5 6]]2. 数组属性
数组的属性可以帮助我们了解数组的信息：
print(arr2.shape) # 数组形状
print(arr2.ndim) # 数组维度
print(arr2.size) # 数组总元素个数
print(arr2.dtype) # 数组元素数据类型四、NumPy 常用操作
1. 数组的创建
# 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)
# 创建指定范围的数组
arange = np.arange(0, 10, 2) # 步长为 2
print("arange:\n", arange)
# 创建等间距数组
linspace = np.linspace(0, 1, 5) # 0 到 1 等间隔取 5 个点
print("linspace:\n", linspace)图解：
zeros:
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
ones:
[[1. 1. 1. 1.]
[1. 1. 1. 1.]]
arange:
[0 2 4 6 8]
linspace:
[0. 0.25 0.5 0.75 1. ]2. 数组的切片与索引
一维数组切片
arr = np.array([10, 20, 30, 40, 50])
print(arr[1:4]) # 输出 [20 30 40]多维数组切片
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr[1:, 1:]) # 输出 [[5 6] [8 9]]3. 数组运算
数组间运算
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b) # 加法
print(a * b) # 逐元素乘法数学函数
arr = np.array([0, np.pi / 2, np.pi])
print(np.sin(arr)) # 正弦
print(np.exp(arr)) # 指数
print(np.sqrt(arr)) # 开方4. 广播机制
NumPy 支持不同形状的数组进行运算，称为广播机制。
a = np.array([[1], [2], [3]])
b = np.array([10, 20, 30])
print(a + b)输出：
[[11 21 31]
[12 22 32]
[13 23 33]]五、高级功能
1. 线性代数
from numpy.linalg import inv, det
# 矩阵求逆
matrix = np.array([[1, 2], [3, 4]])
inverse = inv(matrix)
print("矩阵的逆:\n", inverse)
# 矩阵行列式
determinant = det(matrix)
print("矩阵行列式:", determinant)2. 随机数生成
from numpy.random import rand, randint
# 随机生成浮点数
random_floats = rand(3, 3)
print("随机浮点数:\n", random_floats)
# 随机生成整数
random_ints = randint(0, 10, (3, 3))
print("随机整数:\n", random_ints)六、NumPy 应用案例
1. 数据分析
data = np.array([5, 10, 15, 20, 25])
mean = np.mean(data) # 均值
std = np.std(data) # 标准差
print("均值:", mean)
print("标准差:", std)2. 图像处理
from PIL import Image
# 加载图像并转换为 NumPy 数组
image = Image.open('example.jpg')
image_array = np.array(image)
# 将图像反转
inverted_image = 255 - image_array
# 显示原始图像和反转图像
Image.fromarray(inverted_image).show()七、总结与练习
通过本教程，你已经掌握了 NumPy 的基本操作、高级功能和常见应用。以下是一些练习建议：
- 使用 NumPy 实现矩阵乘法。
- 使用 NumPy 生成正态分布的数据，并绘制直方图。
- 使用广播机制完成不同形状数组的运算。
NumPy 是数据科学的基石，学习好它将为你后续的数据分析、机器学习等任务奠定坚实的基础。
