Python数据计算库，Numpy最常见的10大函数介绍

Numpy的介绍

NumPy（Numerical Python）是Python中用于科学计算的一个重要库。它提供了高性能的多维数组对象（ndarray）、用于数组操作的各种函数以及用于线性代数、傅立叶变换等任务的功能。

NumPy是许多其他科学计算库的基础，例如SciPy、Pandas和Matplotlib等。

以下是NumPy的一些主要特点和功能：

1. 多维数组对象（ndarray）：

NumPy的核心是ndarray对象，它是一个N维数组，可以包含相同类型的数据。

ndarray提供了各种方法来对数组进行操作，如索引、切片、迭代等。

2. 广播（Broadcasting）：

NumPy通过广播机制对不同形状的数组进行数学操作，使得形状不匹配的数组也能进行操作而不引发错误。

3. 数学函数：

NumPy提供了大量的数学函数，如三角函数、指数函数、对数函数等，这些函数能够在数组上进行元素级别的操作。线性代数操作：

NumPy提供了丰富的线性代数函数，包括向量和矩阵运算、求逆、求行列式、特征值分解、奇异值分解等。

4. 随机数生成：

NumPy包含了用于生成各种概率分布的随机数的函数，如正态分布、均匀分布、泊松分布等。

5. 读写文件：

NumPy提供了用于读写数组数据的函数，可以方便地将数据保存到磁盘或从磁盘加载数据。

6. 性能优化：

NumPy中的数组操作是使用C语言实现的，因此具有优秀的性能，尤其是在处理大规模数据时。

7. 与其他库的整合：

NumPy可以与许多其他科学计算库无缝整合，如SciPy（科学计算库）、Pandas（数据分析库）、Matplotlib（绘图库）等。

总的来说，NumPy是Python中进行科学计算的核心库之一，它提供了丰富的功能和高效的实现，使得在处理大规模数据和进行复杂数学运算时变得更加简单和高效。

Numpy的十大内置常用函数

以下是 NumPy 中最常见的 10 个内置函数及其用法的总结：

1. np.array()：

用法：将输入的数据（列表、元组、数组等）转换为 NumPy 数组。

示例：

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

2. np.zeros()、np.ones()：

用法：创建指定形状的全零或全一数组。示例：

import numpy as np
zeros_arr = np.zeros((3, 3))
ones_arr = np.ones((2, 2))
print(zeros_arr)
print(ones_arr)

3. np.arange()：

用法：返回指定范围内的等间隔的值。示例：

import numpy as np
arr = np.arange(0, 10, 2)
print(arr)  # 输出 [0 2 4 6 8]

4. np.linspace()：

用法：返回指定范围内的等间隔的数值。示例：

import numpy as np
arr = np.linspace(0, 5, 10)
print(arr)  # 输出 [0.         0.55555556 1.11111111 1.66666667 2.22222222 2.77777778 3.33333333 3.88888889 4.44444444 5.        ]

5. np.random.rand()、np.random.randn()：

用法：生成指定形状的随机数数组。示例：

import numpy as np
rand_arr = np.random.rand(2, 2)
randn_arr = np.random.randn(2, 2)
print(rand_arr)
print(randn_arr)

6. np.reshape()：

用法：改变数组的形状。示例：

import numpy as np
arr = np.arange(9)
reshaped_arr = arr.reshape(3, 3)
print(reshaped_arr)

7. np.sum()、np.mean()、np.median()：

用法：分别计算数组的总和、平均值和中位数。示例：

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.sum(arr))
print(np.mean(arr))
print(np.median(arr))

8. np.max()、np.min()：

用法：返回数组中的最大值和最小值。示例：

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

9. np.dot()：

用法：计算两个数组的点积（内积）。示例：

import numpy as np
arr1 = np.array([1, 2])
arr2 = np.array([3, 4])
dot_product = np.dot(arr1, arr2)



    
print(dot_product)

10. np.concatenate()：

用法：将多个数组沿指定轴连接在一起。示例：

import numpy as np
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6]])
concatenated_arr = np.concatenate((arr1, arr2), axis=0)
print(concatenated_arr)

学习Numpy的技术路线

入门学习：

1. 了解 Python 基础：

如果你还不熟悉 Python，请先学习 Python 的基础知识，包括变量、数据类型、条件语句、循环等。

2. 学习 NumPy 基础

阅读 NumPy 的官方文档，学习 NumPy 数组（ndarray）的创建、索引、切片等基本操作。

熟悉 NumPy 中的数学函数，如三角函数、指数函数、对数函数等。

了解 NumPy 的广播（Broadcasting）机制。

3. 练习基本操作

完成一些基本的 NumPy 数组操作的练习，例如数组创建、索引、切片、数组运算等。

进阶学习：

1. 深入学习数组操作

学习 NumPy 中更高级的数组操作，包括数组的合并、拆分、重塑等。理解 NumPy 中的排序、搜索等函数的使用方法。

2. 掌握线性代数操作：

学习 NumPy 提供的线性代数操作，如矩阵乘法、求逆、求行列式、特征值分解、奇异值分解等。

3. 学习随机数生成：

了解 NumPy 中的随机数生成函数，包括不同概率分布的随机数生成方法。

4. 掌握文件读写操作：

学习使用 NumPy 将数据保存到文件或从文件加载数据的方法。

高级学习：

1. 与其他库整合：

学习如何将 NumPy 与其他科学计算库（如 SciPy、Pandas）以及数据可视化库（如 Matplotlib）整合使用。性能优化：

学习如何使用 NumPy 的高级特性进行性能优化，包括矢量化操作、内存优化等。

2. 项目实践：

参与一些实际项目，尝试将 NumPy 应用到实际问题中，加深对其理解。