Python数据分析 Numpy 的使用方法

Numpy 是 Python 中优秀的科学计算库，提供了高效的数组处理与计算功能。在数据分析领域，Numpy 有着极其广泛的应用，本文将详细讲解 Numpy 的使用方法，包括：

1. Numpy 数组的创建与常见操作
2. Numpy 的数组索引与切片
3. Numpy 的数组运算
4. Numpy 的广播机制
5. Numpy 的常用函数

1. Numpy 数组的创建与常见操作

1.1 创建数组

创建一个 Numpy 数组非常简单，我们只需要传入一个列表或元组即可：

import numpy as np

a = np.array([1, 2, 3])
print(a)

运行上述代码，输出结果如下：

[1 2 3]

我们还可以通过传入元组来创建 Numpy 的多维数组：

b = np.array([(1,2,3), (4,5,6)])
print(b)

运行上述代码，输出结果如下：

[[1 2 3]
 [4 5 6]]

1.2 常见属性

Numpy 数组有以下三个常见属性：

• ndim: 数组的维度
• shape: 数组的形状
• size: 数组的元素总数

print(a.ndim) # 1
print(b.ndim) # 2

print(a.shape) # (3,)
print(b.shape) # (2, 3)

print(a.size) # 3
print(b.size) # 6

2. Numpy 的数组索引与切片

2.1 索引

Numpy 数组的索引方式与 Python 列表相同，我们可以通过 [ ] 操作符来访问数组中的元素：

print(a[0]) # 1

print(b[0, 0]) # 1
print(b[1, 2]) # 6

2.2 切片

我们还可以使用切片来访问 Numpy 数组中的元素。与 Python 的切片方式相同，Numpy 也可以使用 [start:end:step] 来设置切片的起始位置、结束位置以及步长。

print(a[0:2]) # [1 2]
print(b[0:2, 0:2]) # [[1 2]
                   #  [4 5]]

print(b[:, 1]) # [2 5]

3. Numpy 的数组运算

3.1 算术运算

Numpy 数组支持常见的算术运算，例如加、减、乘、除等。对于任何两个相同形状的 Numpy 数组，都可以进行算术运算。

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

print(a + b) # [5 7 9]
print(a - b) # [-3 -3 -3]
print(a * b) # [ 4 10 18]
print(b / a) # [4.  2.5 2. ]
print(a ** 2) # [1 4 9]

3.2 矩阵运算

Numpy 数组支持矩阵运算，例如矩阵乘法等。我们可以使用 np.dot() 函数来进行矩阵乘法：

a = np.array([(1, 2), (3, 4)])
b = np.array([(5, 6), (7, 8)])

print(np.dot(a, b)) # [[19 22]
                    #  [43 50]]

4. Numpy 的广播机制

在 Numpy 中，两个不同形状的数组之间也可以进行算术运算，这个过程被称为广播。Numpy 的广播机制是指，如果两个数组的形状不同，Numpy 将自动调整数组的形状，使它们可以进行算术运算。

a = np.array([1, 2, 3])
b = 2

print(a + b) # [3 4 5]

5. Numpy 的常用函数

5.1 数学函数

Numpy 中有很多常用的数学函数，例如 sin、cos、exp 等。这些函数都直接作用于 Numpy 数组。

a = np.array([0, np.pi/2, np.pi])

print(np.sin(a)) # [0.         1.         0.0000000e+00]
print(np.cos(a)) # [ 1.000000e+00  6.123234e-17 -1.000000e+00]
print(np.exp(a)) # [ 1.          4.48168907 23.14069263]

5.2 统计函数

Numpy 中还有很多统计函数，例如 mean、std、var 等。这些函数可以用于计算 Numpy 数组的统计信息。

a = np.array([(1,2,3), (4,5,6)])

print(np.mean(a)) # 3.5
print(np.mean(a, axis=0)) # [2.5 3.5 4.5]
print(np.mean(a, axis=1)) # [2. 5.]
print(np.std(a)) # 1.707825127659933
print(np.var(a)) # 2.9166666666666665

至此，Numpy 的使用方法已经介绍完毕，希望本文能对大家有所帮助！