在进行数据科学、机器学习或任何涉及大量数值计算的编程任务时，numpy 库是不可或缺的。它为Python提供了高效、灵活的多维数组处理能力，显著提升了数学运算的执行效率。numpy 通过底层的C语言代码实现，结合优化的数学函数集，为复杂数据操作提供了强大的支持。它不仅大幅提高了代码执行速度，还简化了数据处理流程，使数据科学家和工程师能够专注于构建模型和分析数据，而非低级的计算细节。
定义与特点
numpy的核心是ndarray，即多维数组，其特点包括：
- 高效内存使用：
numpy数组以连续的内存块存储数据，支持快速访问和操作。 - 向量化操作：数组上的操作可以自动应用于所有元素，简化了循环和条件处理。
- 广播机制：支持不同大小的数组进行元素级操作，简化矩阵运算。
与列表的区别
相比于Python的列表，numpy数组具有以下优势：
- 数据一致性：数组中的所有元素类型相同，有助于优化内存管理和计算效率。
- 矢量计算：允许直接对数组执行数学运算，无需编写循环代码。
- 形状和维度：提供明确的形状和维度概念，便于复杂数据结构的管理和操作。
创建数组是使用numpy.array()来完成的，此外，从列表转为numpy数组能够确保数据一致性。
创建 numpy 数组示例
import numpy as np
# 创建一维数组
array_1d = np.array([1, 2, 3, 4])
# 创建二维数组
array_2d = np.array([[1, 2, 3], [4, 5, 6]])列表转 numpy 数组
list_to_array = np.array([1, 2, 3])数组的索引与切片
访问和修改数组元素类似于Python列列表，但更高效。
形状、大小与维度查询
通过shape、size和ndim属性了解数组结构。
数学运算
执行基本运算如加、减、乘、除，以及高级运算如矩阵乘法和应用数学函数。
高级功能
数组排序
使用np.sort()进行排序。
数据重塑与广播
支持数组形状的动态变化和不同大小数组的元素级操作。
数据清洗与预处理
提供基本的预处理功能，帮助清理数据。
总结与实践练习题与解答
为了加深理解并检验知识，这里提供练习题和解答示例代码：
练习题
-
创建数组：创建一个包含从1到10的数组，将数组中的所有元素加倍。
import numpy as np a = np.arange(1, 11) doubled = a * 2 print(doubled) -
生成单位矩阵：生成一个3x3的单位矩阵，将矩阵的每一行向右移动一位。
import numpy as np identity_matrix = np.eye(3) shifted_matrix = np.roll(identity_matrix, 1, axis=1) print(shifted_matrix) -
查找最大值和最小值：给定一个数组，找出其中的最大值和最小值，并计算它们的差。
import numpy as np data = np.array([10, 20, 30, 40, 50]) max_val, min_val = np.max(data), np.min(data) diff = max_val - min_val print(max_val, min_val, diff) -
点积（内积）求解：对于两个数组
A和B（假设它们具有相同的形状），计算它们的点积。import numpy as np A = np.array([1, 2, 3]) B = np.array([4, 5, 6]) dot_product = np.dot(A, B) print(dot_product) -
使用广播：将一个向量
v加到一个矩阵M中的每一行。import numpy as np v = np.array([1, 2, 3]) M = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) v_added = M + v[:, np.newaxis] print(v_added) - 数据清洗：清理一个包含
nan值的数据数组，只保留非nan的值，并计算清理后的数组的平均值。import numpy as np data = np.array([1, 2, np.nan, 4, 5]) filtered_data = data[~np.isnan(data)] mean_value = np.mean(filtered_data) print(filtered_data, mean_value)
通过这些具体的例子和代码示例，读者可以实践并加深对numpy库的理解和掌握，从而在数据科学和机器学习项目中更高效地使用它。