### NumPy 使用指南 #### 1. 数组创建与基本属性 NumPy 的核心功能之一是 `ndarray` 对象，这是一种多维数组对象。可以使用多种方式来创建这种数组： ```python import numpy as np # 创建一维数组 one_d_array = np.array([1, 2, 3]) # 创建二维数组 two_d_array = np.array([[1, 2], [3, 4]]) # 查看形状(shape)，维度(ndim)和大小(size) print(f"Shape of one_d_array: {one_d_array.shape}") print(f"Number of dimensions in two_d_array: {two_d_array.ndim}") print(f"Total number of elements in two_d_array: {two_d_array.size}") ``` #### 2. 基本运算 NumPy 支持向量化操作，这意味着可以在整个数组上执行数学运算而无需显式的循环。 ```python a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) addition_result = a + b # 加法 multiplication_result = a * b # 乘法 mean_value = np.mean(a) # 平均数计算 std_deviation = np.std(b) # 标准差计算 sum_value = np.sum(two_d_array) # 总和计算 print(addition_result) print(multiplication_result) print("Mean:", mean_value) print("Standard Deviation:", std_deviation) print("Sum:", sum_value)[^3] ``` #### 3. 切片与索引 像Python列表一样，NumPy数组也支持切片(slice)语法来进行部分访问。 ```python arr = np.arange(10) first_five_elements = arr[:5] # 获取前五个元素 every_second_element = arr[::2] # 每隔一个取值 horizontal_split = np.hsplit(arr, 5) # 水平分割成五份 reshaped_arr = np.arange(10).reshape(2, 5) # 转换成两行五行矩阵 vertical_split = np.vsplit(reshaped_arr, 2) # 垂直方向切割为两个子阵列 print(first_five_elements) print(every_second_element) print(horizontal_split) print(vertical_split) ``` #### 4. 缺失数据处理 对于含有缺失值的数据集，NumPy 提供了专门的方法来表示这些特殊情况——即 NaN (Not-a-Number). ```python data_with_nan = np.array([1., 2., np.nan, 4.]) nan_positions = np.isnan(data_with_nan) # 找到所有的NaN位置 cleaned_data = data_with_nan[~nan_positions] # 移除所有NaN项 print(nan_positions) print(cleaned_data) ```