NumPy 是一个 Python 库，用于处理大型多维数组和矩阵。它是用 C 和 Fortran 编写的，因此具有高度优化的性能，适用于数据科学、计算机视觉、机器学习、自然语言处理等多个领域。在本文中，我们将探讨如何使用 Python 中的 numpy 数组，以及 numpy 数组的一些基本操作。
- 安装 NumPy
在开始使用 NumPy 之前，我们需要先安装它。可以使用 pip 命令来安装：
pip install numpy- 创建 NumPy 数组
创建一个 NumPy 数组非常简单。我们可以使用 numpy.array() 函数来创建一个数组。例如，以下代码将创建一个包含整数的一维数组：
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a)输出结果：
[1 2 3 4 5]我们可以使用 np.shape() 函数来获取数组的形状。例如：
print(a.shape)输出结果：
(5,)这意味着 a 是一个包含 5 个元素的一维数组。
我们也可以使用 numpy.zeros() 函数创建一个由 0 组成的数组。例如：
b = np.zeros((3, 4))
print(b)输出结果：
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]这将创建一个 3 行 4 列的数组。
- 访问 NumPy 数组中的元素
要访问 NumPy 数组中的元素，我们可以像访问 Python 列表一样使用索引。例如：
print(a[0]) # 输出第一个元素
print(b[1][2]) # 输出第二行第三列的元素输出结果：
1
0.0- NumPy 数组的基本操作
NumPy 数组支持许多基本操作，例如加、减、乘、除等。以下是一些示例：
a = np.array([1, 2, 3, 4, 5])
b = np.array([2, 4, 6, 8, 10])
# 加法
print(a + b)
# 减法
print(a - b)
# 乘法
print(a * b)
# 除法
print(a / b)输出结果：
[ 3 6 9 12 15]
[-1 -2 -3 -4 -5]
[ 2 8 18 32 50]
[0.5 0.5 0.5 0.5 0.5]- NumPy 数组的广播
当两个数组形状不同时，NumPy 数组会自动执行广播。例如，以下代码将两个数组相加，其中一个数组是一维数组，另一个是三行四列的二维数组。
a = np.array([1, 2, 3, 4])
b = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(a + b)输出结果：
[[ 2 4 6 8]
[ 6 8 10 12]
[10 12 14 16]]- NumPy 数组的切片
我们可以使用切片操作来获取 NumPy 数组的子集。例如，以下代码将获取 a 数组的前三个元素。
a = np.array([1, 2, 3, 4, 5])
print(a[:3])输出结果：
[1 2 3]- NumPy 数组的聚合函数
NumPy 提供了许多用于计算数组统计信息的聚合函数。以下是一些示例：
a = np.array([1, 2, 3, 4, 5])
# 计算数组元素的平均值
print(np.mean(a))
# 计算数组元素的标准差
print(np.std(a))
# 计算数组元素的方差
print(np.var(a))
# 计算数组元素的最小值
print(np.min(a))
# 计算数组元素的最大值
print(np.max(a))
# 计算数组元素的累加和
print(np.cumsum(a))
# 计算数组元素的累乘积
print(np.cumprod(a))输出结果：
3.0
1.4142135623730951
2.0
1
5
[ 1 3 6 10 15]
[ 1 2 6 24 120]- 总结
在本文中，我们介绍了 NumPy 数组的一些基本操作，包括创建数组、访问数组中的元素、数组的基本操作、广播、切片和聚合函数。这些操作是使用 NumPy 进行数据科学和机器学习的基础知识。希望这篇文章可以帮助你更好地理解和使用 NumPy 数组。
