随着 Python 编程学习的不断深入，我们已经熟练掌握了诸多 Python 内置的特性以及面向对象编程等知识。今天，我们将踏入一个强大的第三方库 ——NumPy 的世界。NumPy 是 Python 科学计算的基石，它为高效处理数值数据提供了丰富且便捷的功能，在数据分析、机器学习等众多领域都有着广泛的应用。接下来，让我们开启 NumPy 库基础的学习之旅。
一、NumPy 库的安装
在开始使用 NumPy 之前，需要先安装它。如果使用的是 pip 包管理器（Python 中常用的安装工具），可以在命令行中输入以下命令来安装 NumPy：
pip install numpy
安装完成后，就可以在 Python 脚本中导入 numpy 模块进行使用了，通常习惯将其简称为 np：
import numpy as np
二、创建 NumPy 数组
- 使用 np.array() 创建数组：
np.array() 是最常用的创建数组的方法，它可以将 Python 中的列表、元组等可迭代对象转换为 NumPy 数组。例如，创建一维数组：
arr_1d = np.array([1, 2, 3, 4, 5])
print(arr_1d)
输出结果为：[1 2 3 4 5]，可以看到它以一种简洁的格式呈现了数组元素。
创建多维数组也很简单，例如二维数组：
arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
print(arr_2d)
输出结果为
[[1 2 3]
[4 5 6]]
- 使用 np.zeros() 创建全零数组：
np.zeros() 函数用于创建指定形状的全零数组。例如，创建一个形状为 (3, 4) 的二维全零数组（表示 3 行 4 列）：
zeros_arr = np.zeros((3, 4))
print(zeros_arr)
输出结果会是一个全零的二维数组：
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
- 使用 np.ones() 创建全一数组：
与 np.zeros() 类似，np.ones() 用于创建指定形状的全一数组。比如创建一个形状为 (2, 3) 的二维全一数组：
ones_arr = np.ones((2, 3))
print(ones_arr)
输出如下：
[[1. 1. 1.]
[1. 1. 1.]]
同时，我们还可以指定数组的数据类型，例如创建一个整数类型的全一数组：
ones_int_arr = np.ones((2, 3), dtype=int)
print(ones_int_arr)
输出为整数形式的全一数组：
[[1 1 1]
[1 1 1]]
三、NumPy 数组的基本操作
- 数组的索引与切片：
对于一维数组，索引和切片操作与 Python 列表类似。例如：
arr_1d = np.array([10, 20, 30, 40, 50])
print(arr_1d[2]) # 输出索引为 2 的元素，即 30
print(arr_1d[1:4]) # 输出索引从 1 到 3 的元素，即 [20 30 40]
对于多维数组，使用逗号分隔不同维度的索引或切片。例如，对于二维数组：
arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr_2d[1, 2]) # 输出第 2 行第 3 列的元素，即 6
print(arr_2d[0:2, 1:3]) # 输出前 2 行，第 2、3 列交叉的元素，形成一个新的二维数组
- 形状修改：
可以使用 reshape() 方法改变数组的形状，只要新形状的元素个数与原数组元素个数相等即可。例如：
arr = np.array([1, 2, 3, 4, 5, 6])
new_arr = arr.reshape((2, 3))
print(new_arr)
将一维数组重塑为二维数组，输出为：
[[1 2 3]
[4 5 6]]
- 元素级运算：
NumPy 数组支持元素级的数学运算，如加法、减法、乘法、除法等。例如：
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
print(arr1 + arr2) # 对应元素相加，输出 [5 7 9]
print(arr1 * arr2) # 对应元素相乘，输出 [4 10 18]
通过今天对 NumPy 库基础的学习，我们掌握了创建数组以及对数组进行基本操作的一系列技能。这些都是后续深入学习数据分析、科学计算等领域的重要基础，在实际应用中能帮助我们更高效地处理和分析数值数据。
#NumPy 基础# #Python 科学计算# #数组操作入门# #数据处理工具# #编程技能拓展# #NumPy 数组创建#