使用 numpy 进行高效数组数据处理

使用 numpy 进行高效数组数据处理

引用

搜狐

1.

https://m.sohu.com/a/807523954_121484799/?pvid=000115_3w_a

在数据科学、工程计算和机器学习等领域，处理大规模数组数据是常见的需求。numpy 是 Python 中最为流行的科学计算库之一，专门为高效处理数组和矩阵数据而设计。它提供了丰富的数学函数和数组操作功能，是实现复杂数据分析和计算的基础工具。本文将介绍 numpy 的基本操作，并展示如何使用它来处理数组数据。

一、numpy 的安装与导入

在开始使用 numpy 之前，首先确保已安装该库。你可以使用以下命令通过 pip 进行安装：

pip install numpy

安装完成后，使用以下代码导入 numpy 库：

import numpy as np

导入后，你可以使用 np 前缀来调用 numpy 提供的各种函数和方法。

二、数组的创建与基本属性

在 numpy 中，最基本的结构是 ndarray（N-dimensional array），即多维数组。你可以通过多种方式创建数组：

# 从列表创建数组
a = np.array([1, 2, 3])
print(a)

# 创建全零数组
b = np.zeros((3, 4))
print(b)

# 创建全一数组
c = np.ones((2, 3, 4), dtype=np.int16)    # dtype 可以指定数据类型
print(c)

# 创建等差数列
d = np.arange(10, 25, 5)
print(d)

# 创建等间隔数列
e = np.linspace(0, 2, 9)                  # 生成从0到2的9个等间隔数
print(e)

# 创建单位矩阵
f = np.eye(4, 4)
print(f)

# 创建随机数数组
g = np.random.random((2, 2))
print(g)

查看数组的属性：

a = np.arange(24)
a = a.reshape(2, 3, 4)

print(a.ndim)                # 数组维度
print(a.shape)               # 每个维度上的大小
print(a.size)                # 数组元素总数
print(a.dtype)               # 数组元素的数据类型
print(a.itemsize)            # 每个元素的字节大小
print(a.data)                # 数组元素的内存地址

三、数据类型转换

numpy 支持多种数据类型，可以使用 astype() 方法进行类型转换：

fg = np.array([1.2, 2.3, 3.4, 4.5])
print(fg.dtype)

fh = fg.astype(np.int32)
print(fh.dtype)

四、数组运算

numpy 支持数组间的算术运算：

a = np.array([10, 20, 30, 40])
b = np.arange(4)

c = a - b
print(c)

b ** 2
print(b)

10 * np.sin(a)
print(a)

a < 35
print(a)

五、数组的索引与切片

numpy 数组支持多维索引和切片操作：

a = np.arange(10) ** 3
print(a)

def f(x, y):
    return 10 * x + y

b = np.fromfunction(f, (5, 4), dtype=int)
print(b)

c = np.array([[[  0,   1,   2],
               [ 10,  12,  13]],
              [[100, 101, 102],
               [110, 112, 113]]])
print(c)

六、数组的拼接与分割

numpy 提供了多种数组拼接和分割的方法：

a = np.floor(10 * np.random.random((2, 2)))
b = np.floor(10 * np.random.random((2, 2)))

print(np.vstack((a, b)))    # 垂直堆叠
print(np.hstack((a, b)))    # 水平堆叠

print(np.column_stack((a, b)))    # 按列堆叠，等价于hstack
print(np.row_stack((a, b)))       # 按行堆叠，等价于vstack

print(np.r_[1:4, 0, 4])           # 使用r_进行数组拼接

七、数组变形

numpy 支持数组的变形操作：

a = np.floor(10 * np.random.random((2, 12)))
print(np.hsplit(a, 3))    # 水平分割为3个子数组
print(np.hsplit(a, (3, 4)))    # 在第3和第4列进行分割

八、随机数生成

numpy 提供了丰富的随机数生成函数：

print(np.random.normal(size=(2, 3)))    # 生成标准正态分布随机数
print(np.random.normal(5, 10, size=(2, 3)))    # 生成均值为5，标准差为10的正态分布随机数
print(np.random.randint(10))    # 生成一个0到10之间的整数
print(np.random.randint(0, 10, size=(2, 5)))    # 生成一个2x5的随机整数数组
print(np.random.choice([1, 3, 5, 7, 9]))    # 从给定数组中随机选择一个元素
print(np.random.choice([1, 3, 5, 7, 9], size=3))    # 从给定数组中随机选择3个元素
print(np.random.choice([1, 3, 5, 7, 9], size=(3, 5)))    # 生成一个3x5的随机选择数组

通过以上介绍，你可以看到 numpy 提供了非常丰富的数组操作功能，能够满足各种科学计算和数据分析的需求。掌握 numpy 的基本操作是学习数据科学和机器学习的重要一步。