### Python NumPy 库基本操作使用范例 NumPy 是 Python 中用于科学计算的核心库之一，提供了强大的多维数组对象以及各种派生的对象（如掩码数组和矩阵），并且支持大量的数学运算功能。以下是关于 NumPy 的一些基础操作及其使用范例。 --- #### 1. **导入 NumPy** 在使用 NumPy 之前，需要先将其导入到项目中。 ```python import numpy as np ``` --- #### 2. **创建数组** ##### （1）一维数组 可以通过 `np.array()` 函数来创建一个简单的 NumPy 数组。 ```python arr = np.array([1, 2, 3, 4]) print(arr) # 输出: [1 2 3 4] ``` ##### （2）二维数组 同样可以创建一个多维数组。 ```python matrix = np.array([[1, 2], [3, 4]]) print(matrix) # 输出: [[1 2] [3 4]] ``` ##### （3）特殊数组 还可以利用内置函数快速生成具有特定模式的数组。 - 创建全零数组： ```python zeros_arr = np.zeros((3, 4)) # 创建一个形状为 (3, 4) 的全零数组 print(zeros_arr) ``` - 创建全一阵列： ```python ones_arr = np.ones((2, 3), dtype=int) # 创建一个形状为 (2, 3)，数据类型为整数的全一阵列 print(ones_arr) ``` - 创建单位矩阵： ```python identity_matrix = np.eye(3) # 创建一个 3x3 单位矩阵 print(identity_matrix) ``` --- #### 3. **访问与修改元素** ##### （1）访问元素 可以直接通过索引获取数组中的某个值。 ```python arr = np.array([10, 20, 30, 40]) element = arr[1] # 获取第 2 个元素 print(element) # 输出: 20 ``` ##### （2）修改元素 也可以通过索引来更改数组中的某些值。 ```python arr[1] = 25 # 修改第 2 个元素为 25 print(arr) # 输出: [10 25 30 40] ``` --- #### 4. **数组属性** ##### （1）形状 查看数组的形状。 ```python shape_info = matrix.shape # 查看二维数组 shape 属性 print(shape_info) # 输出: (2, 2) ``` ##### （2）尺寸 获取数组总共有多少个元素。 ```python size_info = arr.size # 查看一维数组 size 属性 print(size_info) # 输出: 4 ``` ##### （3）数据类型 确认数组的数据类型。 ```python dtype_info = arr.dtype # 查看数组 dtype 属性 print(dtype_info) # 输出: int64 ``` --- #### 5. **数组的操作** ##### （1）重塑数组 改变数组的形状而不改变其数据。 ```python reshaped_array = arr.reshape((2, 2)) print(reshaped_array) # 输出: [[10 25] [30 40]] ``` ##### （2）连接数组 将多个数组沿着指定轴拼接起来。 ```python concatenated_array = np.concatenate((arr, np.array([50, 60]))) print(concatenated_array) # 输出: [10 25 30 40 50 60] ``` ##### （3）分割数组 按照指定方式拆分数组。 ```python split_arrays = np.split(np.arange(9), 3) for subarray in split_arrays: print(subarray) # 分别输出: [0 1 2], [3 4 5], [6 7 8] ``` --- #### 6. **统计分析** ##### （1）求和 计算数组所有元素之和。 ```python sum_value = np.sum(arr) print(sum_value) # 输出: 105 ``` ##### （2）最大最小值 找出数组的最大值和最小值。 ```python max_value = np.max(arr) min_value = np.min(arr) print(max_value, min_value) # 输出: 40 10 ``` ##### （3）标准差 计算数组的标准偏差[^1]。 ```python std_deviation = np.std(arr) print(std_deviation) # 计算结果取决于输入数值 ``` --- #### 7. **线性代数操作** ##### （1）矩阵乘法 执行两个矩阵之间的点积运算。 ```python mat_a = np.array([[1, 2], [3, 4]]) mat_b = np.array([[2, 0], [1, 2]]) product_mat = np.dot(mat_a, mat_b) print(product_mat) # 输出: [[ 4 4] [10 8]] ``` ##### （2）特征值分解 对于方阵而言，可对其进行特征值分解。 ```python eigenvalues, eigenvectors = np.linalg.eig(mat_a) print(eigenvalues) # 特征值集合 print(eigenvectors) # 对应的特征向量集 ``` --- ### 总结 以上展示了如何使用 NumPy 执行一系列常见的数组操作，包括但不限于创建、访问、修改、属性查询、组合/分裂、统计分析以及高级线性代数应用等。掌握这些基础知识有助于更高效地完成数据分析任务。 ---