### NumPy 基本操作及示例代码 NumPy 是 Python 中用于科学计算的核心库之一，提供了多维数组对象及其派生工具。以下是 NumPy 的一些基本操作和对应的示例代码，并附有详细的注释。 #### 创建数组 ```python import numpy as np # 使用列表创建一维数组 arr1 = np.array([1, 2, 3, 4]) print("一维数组:", arr1) # 使用嵌套列表创建二维数组 arr2 = np.array([[1, 2], [3, 4]]) print("二维数组:\n", arr2) ``` #### 数组属性 ```python # 获取数组形状 (shape)，返回一个元组表示维度大小 print("数组形状:", arr2.shape) # 获取数组数据类型 (dtype) print("数组数据类型:", arr1.dtype) # 访问数组中的元素数量 (size) print("数组元素总数:", arr2.size) ``` #### 数组索引与切片 ```python # 访问单个元素 element = arr2[0][1] # 输出第0行第1列的元素 print("访问单个元素:", element) # 切片操作：获取子数组 sub_array = arr1[1:3] # 截取从索引1到索引3(不包括3)的部分 print("切片后的子数组:", sub_array) ``` #### 数学运算 ```python # 对整个数组执行加法 add_result = np.add(arr1, 5) # 将每个元素加上5 print("加法结果:", add_result) # 执行乘法操作，默认逐元素相乘 multiply_result = np.multiply(arr1, 2) # 每个元素乘以2 print("乘法结果:", multiply_result) ``` 注意，在上述 `np.multiply` 函数中使用的默认方法为 `'__call__'`[^1]。 #### 广播机制 广播允许不同形状的数组之间进行算术运算。 ```python # 不同形状的数组之间的加法 array_a = np.array([[1], [2]]) # 形状为 (2, 1) array_b = np.array([3, 4]) # 形状为 (2,) result_broadcast = array_a + array_b print("广播结果:\n", result_broadcast) ``` #### 聚合函数 聚合函数可以用来统计数组的整体特性。 ```python # 计算平均值 mean_value = np.mean(arr1) print("数组均值:", mean_value) # 查找最大值 max_value = np.max(arr1) print("数组最大值:", max_value) ``` #### 矩阵操作 矩阵转置和其他线性代数操作也是 NumPy 的强项。 ```python # 矩阵转置 transposed_matrix = arr2.T print("转置矩阵:\n", transposed_matrix) # 点积（dot product） matrix_dot_product = np.dot(transposed_matrix, arr2) print("点积结果:\n", matrix_dot_product) ``` 以上展示了 NumPy 库的一些基础功能并附加了必要的注释来帮助理解每一步的操作逻辑[^2]。 #### 绘制热图实例 下面展示如何利用透视表生成热图可视化效果。 ```python import matplotlib.pyplot as plt data_grp = pd.DataFrame({ 'drive-wheels': ['front', 'rear', 'four'], 'body-style': ['sedan', 'suv', 'truck'], 'value': [1, 2, 3] }) # 构建透视表 data_pivot = data_grp.pivot(index='drive-wheels', columns='body-style') plt.pcolor(data_pivot, cmap='RdBu') # 使用颜色映射绘制热图 plt.colorbar() plt.show() ``` 此部分来源于实际应用案例[^3]。