Python NumPy基础：数组创建、运算与常用方法详解
本文详细介绍Python中NumPy库的基础用法，涵盖数组创建、维度与数据类型查看、基础加减乘除运算、索引切片、布尔索引、ufunc函数（如meshgrid和where）、数学统计、矩阵乘法及随机数生成。通过具体代码示例，帮助开发者掌握高效数据处理的核心技能。
前言
在Python中，利用数组进行数据操作可以显著提升处理效率，其原理类似于R语言的向量化操作，使数据处理更加简洁高效。在Python生态中，主要依靠NumPy模块来实现数组创建和矢量计算功能。
接下来通过几个简单示例来展示NumPy的基本用法。
import numpy as np data=np.array([2,5,6,8,3]) #构造一个简单的数组 print(data)
运行结果如下：
[2 5 6 8 3]
data1=np.array([[2,5,6,8,3],np.arange(5)]) #构建一个二维数组 print(data1)
输出结果展示：
[[2 5 6 8 3] [0 1 2 3 4]]
我们可以使用shape和dtype属性来查看数组的维度结构和数据类型。
print(data.shape) print(data.dtype) print(data1.shape) print(data1.dtype)
具体输出结果如下：
(5,) int32 (2, 5) int32
从结果可以看出，data是一个一维数组，包含5个元素，数据类型为32位整型（int32）。
data1则是一个二维数组，每组包含5个元素，数据类型同样为32位整型。
一个实用的判断方法是观察打印结果中外层中括号的数量和层级，中括号的层数直接对应数组的维度数，一层中括号代表一维数组。
除了上述属性，数组还具备其他常用属性方法：
array.ndim 用于获取数组的维数，例如一维数组返回1，二维数组返回2。
array.size 用于获取数组中元素的总个数。
array.itemsiz 用于获取数组中每个元素所占用的字节大小。
接下来，我们深入了解数组支持的数据类型。
NumPy内置了多种基本数据类型，具体包括：
| 名称 | 描述 |
| bool | 用一个字节存储的布尔类型（True或False） |
| inti | 由所在平台决定其大小的整数（一般为int32或int64） |
| int8 | 一个字节大小，-128 至 127 |
| int16 | 整数，-32768 至 32767 |
| int32 | 整数，-2 ** 31 至 2 ** 32 -1 |
| int64 | 整数，-2 ** 63 至 2 ** 63 - 1 |
| uint8 | 无符号整数，0 至 255 |
| uint16 | 无符号整数，0 至 65535 |
| uint32 | 无符号整数，0 至 2 ** 32 - 1 |
| uint64 | 无符号整数，0 至 2 ** 64 - 1 |
| float16 | 半精度浮点数：16位，正负号1位，指数5位，精度10位 |
| float32 | 单精度浮点数：32位，正负号1位，指数8位，精度23位 |
| float64或float | 双精度浮点数：64位，正负号1位，指数11位，精度52位 |
| complex64 | 复数，分别用两个32位浮点数表示实部和虚部 |
| complex128或complex | 复数，分别用两个64位浮点数表示实部和虚部 |
基础数组运算示例。
数组支持常见的加减乘除等数学运算。
arr=np.array(np.arange(10)) arr1=np.array(np.arange(1,11)) print(arr*2)
乘法运算结果如下：
[ 0 2 4 6 8 10 12 14 16 18]
print(arr+arr1)
加法运算结果如下：
[ 1 3 5 7 9 11 13 15 17 19]
需要注意的是，进行数组相加时，参与运算的两个数组长度必须一致。
接下来介绍数组的索引操作。
arr=np.arange(10)
可以直接使用下标进行元素索引。
print(arr[5])
索引结果如下：
5
此外，还可以使用切片方式进行索引。
print(arr[5:8])
切片结果如下：
[5 6 7]
利用索引机制，我们可以直接修改数组中的数据。
arr[5]=120 print(arr)
修改后的结果如下：
[ 0 1 2 3 4 120 6 7 8 9]
可以看到，下标为5的元素值已更新为120。
此外，数组还支持布尔类型的逻辑操作。
arr=np.arange(5) name=np.array(['a','b','b','c','a']) print(name=='a')
布尔运算结果如下：
[ True False False False True]
即满足特定条件的数据项会返回True，否则返回False。
我们可以利用name数组经过条件筛选后的布尔值，对arr数组进行筛选操作。
print(arr[name=='a'])
筛选结果如下：
[0 4]
即打印出arr中与name中值为'a'的位置相对应的元素。
支持多条件组合操作。
result=(name='a')|(name='c') print(result) print(name[result])
多条件操作结果如下：
[ True False False True True] ['a' 'c' 'a']
接下来介绍ufunc（通用函数）方法。
适用于单个数组的ufunc函数包括：
适用于两个或多个数组的ufunc方法包括：
相关函数的具体使用示例如下。
np.meshgrid 用于生成多维网格矩阵。
a,b=np.meshgrid(np.arange(1,5),np.arange(2,4)) print(a) print(b)
生成结果如下：
[[1 2 3 4] [1 2 3 4]] [[2 2 2 2] [3 3 3 3]]
输出数组的形状由输入数据维度较少的数组决定。
np.where 是三元表达式 x if condition else y的矢量化版本。
arr1=np.arange(5) arr2=np.arange(20,25) condition=np.array([1,0,1,0,0]) result=np.where(condition,arr1,arr2) print(arr1) print(arr2) print(result)
执行结果如下：
[0 1 2 3 4] [20 21 22 23 24] [ 0 21 2 23 24]
可以看出，result数组中，当条件值为1时显示arr1的内容，条件值为0时显示arr2的内容。
数学统计方法应用。
在数组中，我们可以使用sum、mean、std等数学统计方法进行计数和分析。
arr=np.random.randint(1,20,10) print(arr) print(np.mean(arr)) print(np.sum(arr)) print(np.std(arr))
统计结果如下：
[19 14 8 13 13 10 10 9 19 7] 12.2 122 4.01995024845
具体的统计方法对照表如下图所示。
布尔型数组的相关统计方法。
arr=np.arange(-20,10) result=(arr>5).sum() print(arr) print(result)
统计结果如下：
-20 -19 -18 -17 -16 -15 -14 -13 -12 -11 -10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9] 4
可以先对数据进行条件判断，然后对判断结果求和。
其他常用的数组方法还包括：
数据的读取与存储操作。
线性代数中常用的矩阵操作方法。
arr=np.array([np.random.randint(1,10,5),np.random.randint(10,20,5)]) print(arr) print(np.dot(arr,2))
运算结果如下：
[[ 4 6 5 1 6] [14 16 11 10 18]] [[ 8 12 10 2 12] [28 32 22 20 36]]
dot方法可用于执行矩阵乘法操作。
其他相关方法如下图所示。
最后，我们了解NumPy中随机数的生成方法。
在前面的许多示例中，我们已经接触到了随机数的生成。
arr=np.random.random(10) print(arr)
生成结果如下：
[ 0.90051063 0.72818635 0.00411373 0.13154345 0.45513344 0.9700776 0.42150977 0.27728599 0.50888291 0.62288808]
其他形式的随机数生成方法包括：
总结。
以上就是本文的全部内容。掌握了上述NumPy操作技巧后，处理基本数据问题应该不再困难。希望本文的内容能对大家的Python学习或工作有所帮助。
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。
