Python 框架中的数据处理利器：numpy 学习笔记

在 python 数据分析的生态系统中，numpy 是一个非常重要的工具。numpy 是一个开源的 Python 库，用于科学计算。它提供了一个强大的 N 维数组对象，以及许多其他的工具，用于处理这些数组。numpy 是 Python 数据科学生态系统中的一个重要组成部分，它是许多其他库的基础，如 pandas、scipy 等。

本篇文章将介绍 numpy 的基本概念、数组和矩阵的创建、索引和切片、数组的数学运算、数组的统计学方法以及如何将数组写入和读取文件。

1. 基本概念

numpy 最重要的对象是 ndarray（N-dimensional array），它是一个 N 维数组对象，也被称为 numpy 数组。numpy 数组是由相同类型的元素组成的多维数组。numpy 数组的维度称为轴（axes），轴的个数称为秩（rank）。例如，一个二维数组的秩为 2，它有两个轴，分别是行和列。

2. 数组和矩阵的创建

我们可以通过多种方式创建 numpy 数组和矩阵。最简单的方式是使用 numpy.array() 函数创建数组。例如，我们可以创建一个一维数组：

import numpy as np

a = np.array([1, 2, 3])
print(a)

输出结果为：

[1 2 3]

我们也可以使用 numpy.zeros() 函数创建一个全是 0 的数组：

a = np.zeros((2, 3))
print(a)

输出结果为：

[[0. 0. 0.]
 [0. 0. 0.]]

除了 numpy.zeros() 函数，还有 numpy.ones() 函数，可以创建一个全是 1 的数组。

我们还可以使用 numpy.arange() 函数创建一个等差数列：

a = np.arange(0, 10, 2)
print(a)

输出结果为：

[0 2 4 6 8]

此外，numpy 还提供了许多其他的函数，如 numpy.linspace()、numpy.eye()、numpy.random.rand() 等，可以创建不同形状和类型的数组和矩阵。

3. 索引和切片

numpy 数组的索引和切片与 Python 列表类似，但是 numpy 数组可以是多维的，因此索引和切片的方式也会有所不同。

对于一维数组，我们可以使用以下方式进行索引：

a = np.array([1, 2, 3])
print(a[0])

输出结果为：

1

对于多维数组，我们可以使用以下方式进行索引和切片：

a = np.array([[1, 2, 3], [4, 5, 6]])
print(a[0, 1])
print(a[:, 1])

输出结果为：

2
[2 5]

4. 数组的数学运算

numpy 数组支持许多数学运算，如加、减、乘、除等。可以对两个数组进行运算，也可以对数组和标量进行运算。

以下是一些示例代码：

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

print(a + b)
print(a - b)
print(a * b)
print(b / a)

输出结果为：

[5 7 9]
[-3 -3 -3]
[ 4 10 18]
[4.  2.5 2. ]

我们还可以使用许多其他的函数，如 numpy.dot()、numpy.sum()、numpy.mean() 等，对数组进行数学运算。

5. 数组的统计学方法

numpy 数组还提供了许多统计学方法，如求和、平均值、方差等。

以下是一些示例代码：

a = np.array([[1, 2, 3], [4, 5, 6]])

print(a.sum())
print(a.mean())
print(a.var())

输出结果为：

21
3.5
2.9166666666666665

6. 数组的文件读写

numpy 数组可以写入和读取文件。我们可以使用 numpy.savetxt() 和 numpy.loadtxt() 函数，将数组写入和读取文件。

以下是一些示例代码：

a = np.array([[1, 2, 3], [4, 5, 6]])

np.savetxt("a.txt", a)

b = np.loadtxt("a.txt")

print(b)

输出结果为：

[[1. 2. 3.]
 [4. 5. 6.]]

总结

本篇文章介绍了 numpy 的基本概念、数组和矩阵的创建、索引和切片、数组的数学运算、数组的统计学方法以及如何将数组写入和读取文件。numpy 是 Python 数据分析生态系统中的一个重要组成部分，掌握 numpy 可以让我们更好地处理和分析数据。