2.numpy
title: "1.Numpy简易入门" date: 2026-05-24T13:49:59Z
1.Numpy简易入门
1.1 认识NumPy数组对象
Numpy是一个用python实现的科学计算的扩展程序库，包括：
- 1、一个强大的N维数组对象Array；
- 2、比较成熟的（广播）函数库；
- 3、用于整合C/C++和Fortran代码的工具包；
- 4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。
NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。
1import numpy as np # 导入NumPy工具包
1data = np.arange(12).reshape(3, 4) # 创建一个3行4列的数组
1data
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
1type(data)
numpy.ndarray
1data.ndim # 数组维度的个数，输出结果2，表示二维数组
2
1data.shape # 数组的维度，输出结果（3，4），表示3行4列
(3, 4)
1data.size # 数组元素的个数，输出结果12，表示总共有12个元素
12
1data.dtype # 数组元素的类型，输出结果dtype('int64'),表示元素类型都是int64
dtype('int32')
1.2 创建NumPy数组
1import numpy as np
1data1 = np.array([1, 2, 3]) # 创建一个一维数组
1data1
array([1, 2, 3])
1data2 = np.array([[1, 2, 3], [4, 5, 6]]) # 创建一个二维数组
1data2
array([[1, 2, 3],
[4, 5, 6]])
1np.zeros((3, 4))#创建一个全0数组
array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
1np.ones((3, 4))#创建全一数组
array([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
1np.empty((5, 2))# 创建全空数组，其实每个值都是接近于零的数
array([[ 6.95312756e-310, 2.12199579e-314],
[ 2.12199579e-314, 4.94065646e-324],
[ 0.00000000e+000, -7.06252554e-311],
[ 0.00000000e+000, -8.12021073e-313],
[ 1.29923372e-311, 2.07507571e-322]])
1np.arange(1, 20, 5)
array([ 1, 6, 11, 16])
1np.array([1, 2, 3, 4], float)
array([1., 2., 3., 4.])
1np.ones((2, 3), dtype='float64')
array([[1., 1., 1.],
[1., 1., 1.]])
1.3 ndarry对象的数据类型
1.3.1 查看数据类型
1data_one = np.array([[1, 2, 3], [4, 5, 6]])
1data_one.dtype.name
'int32'
1.3.2 转换数据类型
1data = np.array([[1, 2, 3], [4, 5, 6]])
1data.dtype
dtype('int32')
1float_data = data.astype(np.float64) # 数据类型转换为float64
1float_data.dtype
dtype('float64')
1float_data = np.array([1.2, 2.3, 3.5])
1float_data
array([1.2, 2.3, 3.5])
1int_data = float_data.astype(np.int64) # 数据类型转换为int64
1int_data
array([1, 2, 3], dtype=int64)
1str_data = np.array(['1', '2', '3'])
1int_data = str_data.astype(np.int64)
1int_data
array([1, 2, 3], dtype=int64)
1.4 数组运算
1.4.1向量化运算
1import numpy as np
1data1 = np.array([[1, 2, 3], [4, 5, 6]])
1data2 = np.array([[1, 2, 3], [4, 5, 6]])
1data1 + data2 # 数组相加
array([[ 2, 4, 6],
[ 8, 10, 12]])
1data1 * data2 # 数组相乘
array([[ 1, 4, 9],
[16, 25, 36]])
1data1 - data2 # 数组相减
array([[0, 0, 0],
[0, 0, 0]])
1data1 / data2 # 数组相除
array([[1., 1., 1.],
[1., 1., 1.]])
1.4.2 数组广播
numpy数组间的基础运算是一对一，也就是a.shape==b.shape，但是当两者不一样的时候，就会自动触发广播机制，如下例子：
1import numpy as np
1arr1 = np.array([[0], [1], [2], [3]])
1arr1.shape
(4, 1)
1arr2 = np.array([1, 2, 3])
1arr2.shape
(3,)
1arr1 + arr2
array([[1, 2, 3],
[2, 3, 4],
[3, 4, 5],
[4, 5, 6]])
到这里，我们来给出一张图
也可以看这张图：
1.4.3 数组与标量间的运算
1import numpy as np
1data1 = np.array([[1, 2, 3], [4, 5, 6]])
1data2 = 10
1data1 + data2 # 数组相加
array([[11, 12, 13],
[14, 15, 16]])
1data1 * data2 # 数组相乘
array([[10, 20, 30],
[40, 50, 60]])
1data1 - data2 # 数组相减
array([[-9, -8, -7],
[-6, -5, -4]])
1data1 / data2 # 数组相除
array([[0.1, 0.2, 0.3],
[0.4, 0.5, 0.6]])
1.5 ndarray的索引和切片
1.5.1 整数索引和切片的基本使用
我们一起来来总结一下，看下面切片取值方式（对应颜色是取出来的结果）：
1import numpy as np
1arr = np.arange(8) # 创建一个一维数组
1arr
array([0, 1, 2, 3, 4, 5, 6, 7])
1arr[5] # 获取索引为5的元素
5
1arr[3:5] # 获取索引为3~5的元素，但不包括5
array([3, 4])
1arr[1:6:2] # 获取索引为1~6的元素，步长为2
array([1, 3, 5])
1import numpy as np
1arr2d = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]]) # 创建二维数组
1arr2d
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
1arr2d[1] # 获取索引为1的元素
array([4, 5, 6])
1arr2d[0, 1] # 获取位于第0行第1列的元素
2
1arr2d[:2]
array([[1, 2, 3],
[4, 5, 6]])
1arr2d[0:2, 0:2]
array([[1, 2],
[4, 5]])
1arr2d[1, :2]
array([4, 5])
1.5.2 花式（数组）索引的基本使用
1import numpy as np
1demo_arr = np.empty((4, 4)) # 创建一个空数组
2for i in range(4):
3 demo_arr[i] = np.arange(i, i + 4) # 动态地为数组添加元素
1demo_arr
array([[0., 1., 2., 3.],
[1., 2., 3., 4.],
[2., 3., 4., 5.],
[3., 4., 5., 6.]])
1demo_arr[[0, 2]] # 获取索引为[0,2]的元素
array([[0., 1., 2., 3.],
[2., 3., 4., 5.]])
1demo_arr[[1, 3], [1, 2]] # 获取索引为(1,1)和(3,2)的元素
array([2., 5.])
1.5.3 布尔型
1# 存储学生姓名的数组
2student_name = np.array(['Tom', 'Lily', 'Jack', 'Rose'])
1student_name
array(['Tom', 'Lily', 'Jack', 'Rose'], dtype='<U4')
1# 存储学生成绩的数组
2student_score = np.array([[79, 88, 80], [89, 90, 92], [83, 78, 85], [78, 76, 80]])
1student_score
array([[79, 88, 80],
[89, 90, 92],
[83, 78, 85],
[78, 76, 80]])
1# 对student_name和字符串“Jack”通过运算符产生一个布尔型数组
2student_name == 'Jack'
array([False, False, True, False])
1# 将布尔数组作为索引应用于存储成绩的数组student_score，
2# 返回的数据是True值对应的行
3student_score[student_name=='Jack']
array([[83, 78, 85]])
1student_score[student_name=='Jack', :1]
array([[83]])
1.6 数组的转置和轴对称
1arr = np.arange(12).reshape(3, 4)
1arr
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
1arr.T # 使用T属性对数组进行转置
array([[ 0, 4, 8],
[ 1, 5, 9],
[ 2, 6, 10],
[ 3, 7, 11]])
1arr = np.arange(16).reshape((2, 2, 4))
1arr
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7]],
[[ 8, 9, 10, 11],
[12, 13, 14, 15]]])
1arr.transpose(1, 2, 0) # 使用transpose()方法对数组进行转置
array([[[ 0, 8],
[ 1, 9],
[ 2, 10],
[ 3, 11]],
[[ 4, 12],
[ 5, 13],
[ 6, 14],
[ 7, 15]]])
1arr
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7]],
[[ 8, 9, 10, 11],
[12, 13, 14, 15]]])
1arr.swapaxes(1, 0) # 使用swapaxes方法对数组进行转置
array([[[ 0, 1, 2, 3],
[ 8, 9, 10, 11]],
[[ 4, 5, 6, 7],
[12, 13, 14, 15]]])
1.7 NumPy通用函数
1arr = np.array([4, 9, 16])
1np.sqrt(arr)#开方
array([2., 3., 4.])
1np.abs(arr)#求绝对值
array([ 4, 9, 16])
1np.square(arr)#求平方
array([ 16, 81, 256], dtype=int32)
1x = np.array([12, 9, 13, 15])
1y = np.array([11, 10, 4, 8])
1np.add(x, y) # 计算两个数组的和
array([23, 19, 17, 23])
1np.multiply(x, y) # 计算两个数组的乘积
array([132, 90, 52, 120])
1np.maximum(x, y) # 两个数组元素级最大值的比较
array([12, 10, 13, 15])
1np.greater(x, y) # 执行元素级的比较操作
array([ True, False, True, True])
1.8 利用NumPy数组进行数据处理
1.8.1 将条件逻辑转为数组运算
1arr_x = np.array([1, 5, 7])
1arr_y = np.array([2, 6, 8])
1arr_con = np.array([True, False, True])
1result = np.where(arr_con, arr_x, arr_y)
1result
array([1, 6, 7])
1.8.2 数组统计运算
1arr = np.arange(10)
1arr.sum() # 求和
45
1arr.mean() # 求平均值
4.5
1arr.min() # 求最小值
0
1arr.max() # 求最大值
9
1arr.argmin() # 求最小值的索引
0
1arr.argmax() # 求最大值的索引
9
1arr.cumsum() # 计算元素的累计和
array([ 0, 1, 3, 6, 10, 15, 21, 28, 36, 45], dtype=int32)
1arr.cumprod() # 计算元素的累计积
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0], dtype=int32)
1x = np.arange(1 , 16).reshape((3 , 5))
2print(x)
[[ 1 2 3 4 5]
[ 6 7 8 9 10]
[11 12 13 14 15]]
1np.diff(x,axis=1) #默认axis=1
array([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]])
1np.diff(x,axis=0)
array([[5, 5, 5, 5, 5],
[5, 5, 5, 5, 5]])
1np.floor([-0.6,-1.4,-0.1,-1.8,0,1.4,1.7])
array([-1., -2., -1., -2., 0., 1., 1.])
看到没，负数取整，跟上述的around一样，是向左！
1np.ceil([1.2,1.5,1.8,2.1,2.0,-0.5,-0.6,-0.3])
array([ 2., 2., 2., 3., 2., -0., -0., -0.])
取上限！找这个小数的最大整数即可！
查找，利用np.where实现小于0的值用0填充吗，大于0的数不变！
1x = np.array([[1, 0],
2 [2, -2],
3 [-2, 1]])
4print(x)
[[ 1 0]
[ 2 -2]
[-2 1]]
1np.where(x>0,x,0)
array([[1, 0],
[2, 0],
[0, 1]])
1.8.3 数组排序
1arr = np.array([[6, 2, 7], [3, 6, 2], [4, 3, 2]])
1arr
array([[6, 2, 7],
[3, 6, 2],
[4, 3, 2]])
1arr.sort()
1arr
array([[2, 6, 7],
[2, 3, 6],
[2, 3, 4]])
1arr = np.array([[6, 2, 7], [3, 6, 2], [4, 3, 2]])
1arr
array([[6, 2, 7],
[3, 6, 2],
[4, 3, 2]])
1arr.sort(0) # 沿着编号为0的轴对元素排序
1arr
array([[3, 2, 2],
[4, 3, 2],
[6, 6, 7]])
1.8.4 检索数组元素
1arr = np.array([[1, -2, -7], [-3, 6, 2], [-4, 3, 2]])
1arr
array([[ 1, -2, -7],
[-3, 6, 2],
[-4, 3, 2]])
1np.any(arr > 0) # arr的所有元素是否有一个大于0
True
1np.all(arr > 0) # arr的所有元素是否都大于0
False
1.8.5 唯一化及其他集合逻辑
1arr = np.array([12, 11, 34, 23, 12, 8, 11])
1np.unique(arr)
array([ 8, 11, 12, 23, 34])
1np.in1d(arr, [11, 12])
array([ True, True, False, False, True, False, True])
1.9 线性代数模块
1arr_x = np.array([[1, 2, 3], [4, 5, 6]])
1arr_y = np.array([[1, 2], [3, 4], [5, 6]])
1arr_x.dot(arr_y) # 等价于np.dot(arr_x, arr_y)
array([[22, 28],
[49, 64]])
1.10随机数模块
1import numpy as np
1np.random.rand(3, 3) # 随机生成一个二维数组
array([[0.90422833, 0.57874299, 0.36084718],
[0.46674697, 0.59189161, 0.88876503],
[0.51836003, 0.30765097, 0.79668824]])
1np.random.rand(2, 3, 3) # 随机生成一个三维数组
array([[[0.21438832, 0.58877977, 0.86120009],
[0.15222229, 0.53060997, 0.0562486 ],
[0.88035435, 0.32505223, 0.9045713 ]],
[[0.32907094, 0.88987195, 0.34523123],
[0.90645746, 0.61257549, 0.83944649],
[0.2015535 , 0.84522463, 0.87759584]]])
1import numpy as np
1np.random.seed(0) # 生成随机数的种子
1np.random.rand(5) # 随机生成包含5个元素的浮点数组
array([0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])
1np.random.seed(0)
1np.random.rand(5)
array([0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])
1np.random.seed()
1np.random.rand(5)
array([0.19299506, 0.41434116, 0.90011257, 0.37469705, 0.69775797])