### 数组创建 NumPy 提供了多种方式来创建数组。例如，可以使用 `np.arange()` 函数来创建一个一维数组，其功能类似于 Python 内置的 `range()` 函数，但返回的是 NumPy 数组[^3]。 ```python import numpy as np a = np.arange(10) print(a) ``` 此外，还可以使用 `np.array()` 函数从常规的 Python 列表中创建数组。 ```python array = np.array([10, 20, 30, 40, 50]) print(array) ``` ### 数组属性 每个 NumPy 数组都有若干属性，可以用来获取有关数组的信息。比如，`.shape` 属性可以显示数组的维度，`.dtype` 可以查看数组中元素的数据类型，而 `.size` 则表示数组元素的总数。 ```python print("Shape of array:", array.shape) print("Data type of array elements:", array.dtype) print("Size of array:", array.size) ``` ### 数组索引与切片 数组索引允许访问或修改数组中的特定元素。NumPy 数组支持标准的 Python 索引和切片操作。对于多维数组，可以通过逗号分隔的索引来访问不同轴上的元素。 ```python # 访问单个元素 print("First element:", array[0]) # 使用切片获取子数组 sub_array = array[1:4] print("Sub array:", sub_array) ``` ### 条件筛选 NumPy 允许基于条件表达式对数组进行筛选。这使得可以从现有数组中提取满足特定条件的元素。 ```python # 筛选大于30的元素 greater_than_30 = array[array > 30] print("Elements greater than 30:", greater_than_30) # 筛选等于20的元素 equal_to_20 = array[array == 20] print("Elements equal to 20:", equal_to_20) ``` ### 数组运算 NumPy 数组支持向量化运算，这意味着可以在整个数组上执行数学运算，而无需循环遍历每个元素。 ```python # 对数组中的所有元素加一个数 added_array = array + 5 print("Array after adding 5:", added_array) # 计算两个数组之间的差 another_array = np.array([1, 2, 3, 4, 5]) difference = array - another_array print("Difference between arrays:", difference) ``` ### 形状操作 形状操作涉及改变数组的维度或结构。常见的操作包括重塑（reshape）、展平（flatten）等。 ```python # 创建一个二维数组 matrix = np.array([[1, 2], [3, 4]]) print("Original matrix:\n", matrix) # 重塑数组 reshaped_matrix = matrix.reshape((4,)) print("Reshaped matrix:", reshaped_matrix) ``` ### 连接与分割 数组可以沿着现有的轴连接或分割成多个子数组。这些操作对于组合数据集或拆分大型数据集非常有用。 ```python # 水平堆叠两个数组 stacked_array = np.hstack((array, another_array)) print("Stacked array:", stacked_array) # 分割数组 split_arrays = np.split(stacked_array, [len(array)]) print("Split arrays:", split_arrays) ``` 以上就是 NumPy 数组的一些常用操作。掌握这些基本技能对于任何希望在数据科学领域工作的人都至关重要，因为它们构成了许多更复杂的数据处理任务的基础[^2]。