Python数据分析：Numpy库核心操作与线性代数详解
本文系统介绍Python中Numpy库的核心功能，涵盖数组基础属性查询、多维数组创建与数学运算、axis轴参数理解以及线性代数计算。通过具体代码示例，解析如何高效处理数据初始化、矩阵变换及方程求解，为数据分析提供基础工具支持。
在Python数据分析中，引入Numpy库是进行高效数值计算的前提。
import numpy as np
首先，了解Numpy对象的基础属性至关重要。通过示例代码，我们可以将列表转换为Numpy数组，并查询其数据类型、形状（行列数）、维度数、元素类型、每个元素占用的字节数以及元素总数。这些属性是理解数组结构的基础。
lst = [[1, 2, 3], [4, 5, 6]]
def numpy_type():
print(type(lst))
data = np.array(lst, dtype=np.float64) # array将数组转为numpy的数组
# bool,int,int8,int16,int32,int64,int128,uint8,uint32,
# uint64,uint128,float16/32/64,complex64/128
print(type(data)) # 数据类型
print(data.shape) # 几行几列
print(data.ndim) # 空间维数
print(data.dtype) # 元素类型
print(data.itemsize) # 元素所占字节
print(data.size) # 元素总数其次，Numpy提供了丰富的数组创建和操作方法。包括生成全0或全1的数组、创建不同分布的随机数矩阵（如均匀分布、正态分布、Beta分布等），以及执行基本的算术运算（加、减、乘、除、幂运算）。此外，还支持数组的点乘、拼接（水平与垂直）、分割和拷贝操作，满足复杂数据处理需求。
def numpy_array():
# 输出2行4列的全0的numpy的array数组
print(np.zeros([2, 4])) # 一般用于数据初始化
# 输出3行5列的全1的numpy的array数组
print(np.ones([3, 5]))
# 随机数
print(np.random.rand(2, 4)) # 生成2行4列的随机数矩阵,此时默认元素大小在0到1
print(np.random.rand()) # 打印一个随机数,此时默认元素大小在0到1
print(np.random.rand(1, 10, 3)) # 三个参数分别对应x、y、z轴,表示三维矩阵
# 与rand不同randint的三个参数表示范围[1,10)内的3个元素的一维数组
print(np.random.randint(1, 10, 3))
print(np.random.randint(1, 10)) # randint必须传入参数范围，这表示返回一个范围内的随机数
print(np.random.randn()) # 返回一个标准正态分布的随机数
print(np.random.randn(2, 4)) # 返回2行4列符合标准正态发布的随机数
print(np.random.choice([10, 2, 3, 1, 5, 6])) # 从可迭代数组中随机返回一个
print(np.random.beta(1, 10, 100)) # 随机生成[1,10]里符合beta发布的100元素的一维数组
lst1 = np.array([10, 20, 30, 40])
lst2 = np.array([4, 3, 2, 1])
# 直接操作
print(lst2 + lst1)
print(lst2 - lst1)
print(lst2 / lst1)
print(lst2 * lst1)
print(lst2 ** lst1) # 平方
# 点乘
print(np.dot(lst1.reshape([2, 2]), lst2.reshape([2, 2])))
# 追加
print(np.concatenate((lst2, lst1), axis=0)) # 0水平追加,1竖向追加
print(np.vstack((lst2, lst1))) # 竖向追加
print(np.hstack((lst2, lst1))) # 水平追加
# 分裂
print(np.split(lst2, 2)) # 分成2份
# 拷贝
print(np.copy(lst2))在数据预处理和变换方面，Numpy提供了多种实用函数。例如，使用arange生成指定范围的整数序列，并通过reshape调整矩阵形状。同时，支持自然指数、平方指数、开方、三角函数和对数等数学运算，以及求最大值和最小值等操作，便于对数据进行快速统计和变换。
def numpy_handle():
print(np.arange(1, 11)) # 生成[1,11)里的整数的一维数组,默认按1递增
print(np.arange(1, 11).reshape([2, 5])) # reshape方法可以将矩阵重构为x行y列的矩阵
print(np.arange(1, 11).reshape([2, -1])) # 也可以使用缺失值-1实现相同的效果
data = np.arange(1, 11).reshape([2, -1])
print(np.exp(data)) # 自然指数e的指数操作
print(np.exp2(data)) # 自然指数e的平方操作
print(np.sqrt(data)) # 开方操作
print(np.sin(data)) # 三角函数
print(np.log(data)) # 对数操作
print(data.max()) # 最大值
print(data.min()) # 最小值理解axis参数对于多维数组操作至关重要。axis值从外到内递增，数值越大表示操作深入到的层级越多。例如，在三维数组中，axis=2表示对最内层元素进行求和，axis=1用于获取中间层的最大值，而axis=0则处理最外层的元素。正确理解axis有助于精准执行聚合和统计操作。
def numpy_axis():
data = np.array([
[[1, 2, 3, 4],
[5, 6, 7, 8]],
[[9, 10, 11, 12],
[13, 14, 15, 16]],
[[17, 18, 19, 20],
[20, 21, 22, 23]]
])
# axis从外而内的渗入，值越大渗透入层数越多，最大为n-1
# axis=0,表示从外而内n+1层，即1进行解析
print(data.sum(axis=2)) # 求和 #这里渗入了3层
print(data.max(axis=1)) # 获取最大值
print(data.min(axis=0)) # 获取最小值Numpy还具备强大的线性代数计算能力。通过引入numpy.linalg模块，可以执行单位矩阵生成、逆矩阵计算、矩阵转置、行列式求解、特征值与特征向量提取，以及线性方程组的求解。这些功能在处理科学计算和工程问题时不可或缺。
执行上述线性代数操作前，需确保正确引入相关依赖库。
from numpy.linalg import * # 引入线性方程组的依赖
def numpy_line():
from numpy.linalg import * # 引入线性方程组的依赖
print(np.eye(3)) # 阶级为3的单位矩阵
lst3 = np.array([[1, 2],
[3, 4]])
print(inv(lst3)) # 逆矩阵
print(lst3.transpose()) # 转置矩阵
print(det(lst3)) # 行列式
print(eig(lst3)) # 体征值和体征向量，第一个表示体征值，第二个表示体征向量
y = np.array([[5.], [7.]])
print(solve(lst3, y)) # 求解线性矩阵方程如需深入了解更多细节，建议参考官方发布的NumPy参考手册。
本文介绍了Python中Numpy库的常用操作，涵盖数组属性、运算及线性代数计算。希望这些内容能对您的数据分析工作有所帮助，欢迎查阅本站其他相关文章以获取更多信息。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
