numpy 学习笔记：Python 框架中的数据分析利器

随着数据科学和机器学习的快速发展，Python 成为了最流行的数据分析和机器学习语言之一。Python 有着丰富的数据分析工具和库，其中 numpy 库是最流行的之一。numpy 是一个用于数值计算和科学计算的 Python 库，它提供了高效的多维数组操作接口以及各种数学函数。

本文将介绍 numpy 的基本概念和使用方法，并提供一些实例来帮助读者更好地理解 numpy。

一、numpy 的基本概念

1. numpy 的数组

numpy 的核心是 ndarray 类型的数组，它是一种可以容纳任何数值类型的 N 维数组对象。numpy 数组是一个由相同类型的元素组成的表，可以通过一个非负整数元组来访问元素。numpy 数组的维度称为轴，轴的个数称为秩。

2. numpy 的数组类型

numpy 数组有不同的数据类型，包括 int、float、complex、bool、object、unicode 等。这些类型可以通过 dtype 参数指定。例如，我们可以创建一个 int 类型的数组：

import numpy as np
a = np.array([1, 2, 3], dtype=int)

3. numpy 的数组属性

numpy 的数组有许多属性，包括数组的形状、大小、维数、元素类型、元素个数等。这些属性可以通过数组对象的属性来获取。例如：

import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.shape)    # 输出 (2, 3)
print(a.size)     # 输出 6
print(a.ndim)     # 输出 2
print(a.dtype)    # 输出 int64

二、numpy 的使用方法

1. numpy 的数组创建

numpy 的数组可以通过各种方式创建，包括从列表、元组、范围、文件等创建。以下是一些常见的创建方法：

• 从列表创建：

import numpy as np
a = np.array([1, 2, 3])

• 从元组创建：

import numpy as np
a = np.array((1, 2, 3))

• 从范围创建：

import numpy as np
a = np.arange(0, 10, 2)   # 创建一个从 0 到 10，步长为 2 的数组

2. numpy 的数组操作

numpy 的数组支持各种操作，包括索引、切片、迭代、形状操作、堆叠操作、拆分操作等。以下是一些常见的操作方法：

• 索引和切片：

import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a[0, 0])   # 输出 1
print(a[1, 1:])  # 输出 [5, 6]

• 形状操作：

import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.reshape(3, 2))   # 输出 [[1, 2], [3, 4], [5, 6]]

• 堆叠操作：

import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(np.vstack((a, b)))   # 输出 [[1, 2, 3], [4, 5, 6]]

• 拆分操作：

import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
print(np.hsplit(a, 3))   # 输出 [array([[1], [4]]), array([[2], [5]]), array([[3], [6]])]

3. numpy 的数学函数

numpy 提供了各种数学函数，包括三角函数、指数函数、对数函数、统计函数等。以下是一些常见的数学函数：

• 三角函数：

import numpy as np
a = np.array([0, np.pi/2, np.pi])
print(np.sin(a))   # 输出 [0.         1.         0.        ]

• 统计函数：

import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]])
print(np.mean(a))   # 输出 3.5
print(np.median(a))   # 输出 3.5

三、numpy 的实例

以下是一个简单的 numpy 实例，它演示了如何使用 numpy 创建数组、进行操作和计算：

import numpy as np

# 创建一个 5x5 的随机矩阵
a = np.random.rand(5, 5)
print("原始矩阵：
", a)

# 对矩阵进行归一化
a = (a - np.min(a)) / (np.max(a) - np.min(a))
print("归一化矩阵：
", a)

# 计算矩阵的行均值和列均值
row_mean = np.mean(a, axis=1)
col_mean = np.mean(a, axis=0)
print("行均值：
", row_mean)
print("列均值：
", col_mean)

# 将行均值和列均值加入矩阵
for i in range(a.shape[0]):
    a[i, :] += row_mean[i]
for i in range(a.shape[1]):
    a[:, i] += col_mean[i]
print("加权矩阵：
", a)

以上代码创建了一个 5x5 的随机矩阵，并对其进行归一化。然后计算了矩阵的行均值和列均值，并将其加入到矩阵中，得到了一个加权矩阵。

总结

本文介绍了 numpy 的基本概念和使用方法，并提供了一些实例来帮助读者更好地理解 numpy。numpy 是 Python 数据分析和机器学习中不可或缺的工具之一，它提供了高效的多维数组操作接口以及各种数学函数，可以帮助数据科学家和机器学习工程师更快、更准确地进行数据分析和机器学习。