NumPy数组的常见操作（附带实例，新手必看）

NumPy 是 Numerical Python 的简称，是重要的 Python 数值计算包。

在大量的数据运算中，Python 自身提供的 list 效率并不高，而 NumPy 提供了高效的多维数组对象，使复杂的数学计算变得更简单、快速。

安装NumPy

NumPy 的安装非常简单，只需在命令行或终端中使用 pip 工具进行安装：

pip install numpy

如果成功安装 NumPy，则会出现如下图所示的界面。

创建NumPy数组

NumPy 的核心功能是 ndarray，即 n-dimensional array，该功能支持多维数组。用户可以使用 numpy.array() 函数，从 Python 列表中创建数组。

下面举一个简单的例子：

# 导入NumPy
import numpy as np

# 创建一个一维 NumPy 数组
a = np.array([1,2,3,4,5])
print(a)

上述代码的执行结果为：

[1,2,3,4,5]

同样，可以创建二维甚至更高维度的数组：

# 导入NumPy
import numpy as np

# 创建一个二维 NumPy 数组
b = np.array([[1,2,3],[4,5,6]])
print(b)

上述代码的执行结果为：

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

NumPy数组操作

NumPy 数组支持许多数学操作，这些操作会应用于数组中的每一个元素，这被称为数组的矢量化（Vectorization）。使用这些数学操作会使代码更简洁，运行速度也更快。

例如，可以将每个元素乘一个数，或进行更复杂的数学操作：

# 导入NumPy
import numpy as np

a = np.array([1,2,3,4,5])
b = a * 2  # 每个元素乘 2
print(b)
c = np.sqrt(a)  # 每个元素求平方根
print(c)

上述代码的执行结果为：

[ 2  4  6  8 10]
[1.         1.41421356 1.73205081 2.         2.23606798]

NumPy索引与切片

与 Python 的 list 类似，NumPy 数组支持索引和切片操作：

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

# 索引操作
print(a[0])

# 切片操作
print(a[1:3])

在处理二维或更高维度的数组时，NumPy 数组的索引和切片操作功能更为强大：

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

# 索引操作
print(b[0,1])  # 输出：2

# 切片操作
print(b[:,1:3])

上述代码的执行结果为：

1
[2 3]
2
[[2 3]
[5 6]]

NumPy 数组的索引和切片操作是原地操作，即这些操作并不会创建新的数组，而是提供原数组的视图。这意味着当修改切片或索引得到数组时，原数组也会被修改。

在上面的代码中，需要掌握如下知识：

• print(b[0, 1])：这行代码用于从数组 b 中取值。在 NumPy 中，可以通过 [row_index, column_index] 的方式索引二维数组。这里的 [0, 1] 意味着取第一行第二列的元素。在 Python 中，索引是从 0 开始的。所以这行代码的输出结果是 2。
• print(b[:, 1:3])：这行代码用于对数组 b 进行切片操作。在 NumPy 中，“:”代表取所有的元素，“1:3”代表取索引 1 到索引 3（不包括索引 3）的元素。所以，[:, 1:3] 代表取所有行的第二列和第三列元素。因此，这行代码的输出结果是一个新的二维数组，包含原数组中的第二列和第三列元素，即 [[2, 3], [5, 6]]。

NumPy条件索引

在 NumPy 中，用户可以使用条件表达式索引数组。这是一种非常强大的功能，可以使用户根据某个条件选择数组中的元素。

例如，用户可以选择数组中所有大于 2 的元素：

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

# 条件索引
b = a[a > 2]
print(b)

上述代码的执行结果为：

[3 4 5]

NumPy广播（Broadcasting）

广播是 NumPy 中处理不同大小数组的强大工具。例如，用户可能有一个较小的数组和一个较大的数组，并且希望使用较小的数组多次完成某些操作，从而能处理较大的数组。

例如：

import numpy as np
a = np.array([1,2,3])
b = np.array([1,2])

# 将一个值加到一个数组的每个元素上
result = a + 5
print(result)  # 输出：array([6,7,8])

# 将一个数组加到另一个数组的每一行上
A = np.array([[1,2,3],[4,5,6],[7,8,9]])
result = A + a
print(result)

上述代码的执行结果为：

[6 7 8]
[[ 2  4  6]
[ 5  7  9]
[ 8 10 12]]

广播的使用方法为：如果两个数组在某个维度的长度是相同的，或两个数组中的一个数组在该维度的长度为 1，则这两个数组在该维度上是兼容的。如果两个数组在所有维度上都是兼容的，则这两个数组就可以使用广播。

在上面的代码中，result=A+a 这行代码将数组 a 加到数组 A 的每一行上。由于数组 a 和数组 A 的形状不同，数组 a 是一个长度为 3 的一维数组，数组 A 是一个 3x3 的二维数组，在这种情况下，就需要广播。数组 a 被广播到数组 A 的每一行上，再执行加法操作。因此，输出的结果是一个新的二维数组，每个元素都是对应元素相加的结果。

NumPy聚合

NumPy提供在数组上进行聚合操作的函数，如计算数组的总和、平均值、最大值、最小值等。

下面是一些示例：

import numpy as np
a = np.array([1,2,3,4,5])

# 求和
result = np.sum(a)
print(result)  # 输出：15

# 求平均值
result = np.mean(a)
print(result)  # 输出：3.0

# 求最大值
result = np.max(a)
print(result)  # 输出：5

# 求最小值
result = np.min(a)
print(result)  # 输出：1

上述代码的执行结果为：

15
3.0
5
1

NumPy排序

NumPy 提供了 np.sort() 函数，用于对数组中的元素进行排序，例如：

import numpy as np
a = np.array([2,4,1,5,3])

# 排序
result = np.sort(a)
print(result)

上述代码的执行结果为：

[1 2 3 4 5]

上面这些功能都是 NumPy 的核心功能，在数据科学和机器学习中经常使用。有了这些工具，用户将能更有效地处理和分析数据。