Python NumPy常用函数总结

NumPy是Python中用于科学计算的一个重要的库，它提供了高效的多维数组和与之相关的量。在NumPy中，有很多常用的函数，本文将对其中一些常用进行总结，包括数组创建函数、数组操作函数、数学函数等方面。

数组创建函数

np.array()

np.array()函数用于创建一个数组。它接受一个序列为输入，并返回一个NumPy数组。下面是一个示例：

import numpy as np

# 创建一个数组
a = np.array([1, 2, 3, 4, 5])
print(a)

在上面的示例中，我们使用np.array()函数创建了一个数组。

np.zeros()

np.zeros()函数用于创建一个全为0的数组。它接受一个元组作为输入，并返回一个NumPy数组。下面是一个示例：

import numpy as np

# 创建一个全为0的数组
a = np.zeros((3, 3))
print(a)

在上面示例中，我们使用np.zeros()函数创建了一个全0的数组。

数组操作函数

np.reshape()

np.reshape()函数用于改变数组的形状。它接受一个元组作为输入，并返回一个Py数组。下面是一个示例：

import numpy as np

# 创建一个数组
a = np.array([1, 2, 3, 4, 5, 6])

# 改变数组的形状
b = np.reshape(a, (2, 3))
print(b)

在上面的示例中我们np.reshape()函数改变了数组的形状。

np.concatenate()

np.concatenate()函数用于将两个或多个数组沿着指定的轴连接在一起。它接受一个元组作为输入，并返回一个NumPy数组。下面是一个示例：

import numpy as np

# 创建两个数组
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 将两个数组连接在一起
c = np.concatenate((a, b))
print(c)

在上面的示例中，我们使用np.concatenate()函数将两个数组连接在了一起。

数学函数

np.mean()

np.mean()函数用于计算数组的平均值。它接受一个数组作为输入，并返回一个标量。下面是一个示例：

import numpy as np

# 创建一个数组
a = np.array([1, 2, 3, 4, ])

# 计算数组的平均值
b = np.mean(a)
print(b)

在上的示例中，我们使用np.mean()函数计算了数组的平均值。

np.std()

np.std()函数用于计算数组的标准差。它接受一个数组作为输入，并返回一个标量。下面一个示例：

import numpy as np

# 创建一个数组
a = np.array([1, 2, 3, 4, 5])

# 计算数组的标准差
b = np.std(a)
print(b)

在上面的示例中，使用np.std()函数计算了数组的标准差。

示例一：使用NumPy库进行线性回归

import numpy as np
import matplotlib.pyplot as plt

# 定义数据
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 5, 4, 5])

# 计算斜率和截距
slope, intercept = np.polyfit(x, y, 1)

# 绘制数据和拟合直线
plt.scatter(x, y)
plt.plot(x, slope * x + intercept, color='red')
plt.show()

在上面的示例中，我们使用了NumPy库中的polyfit()函数计算了线性回归的斜率和截距，并使用Matplotlib库绘制了数据和拟合直线。

示例二：使用NumPy库进行矩阵运算

import numpy as np

# 定义两个矩阵
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

# 矩阵相乘
c = np.dot(a, b)
print(c)

在上面的示例中，我们使用了NumPy库中的dot()函数计算了两个矩阵的乘积。

综上所述，NumPy库中有很多常用的函数，包括数组创建函数、数组操作函数、数学函数等。我们可以根据具体的需求选择合适的函数进行使用。同时，NumPy库还可以用于线性回归、矩阵算等方面。