图解NumPy包一文就够了（2025版）
图解NumPy包一文就够了（2025版）
NumPy是Python生态系统中数据分析、机器学习和科学计算的核心库。它提供了强大的数组操作功能，是许多主流Python库（如scikit-learn、SciPy、pandas和TensorFlow）的基础。本文将通过详细的图解和代码示例，帮助读者全面掌握NumPy的基本使用方法。
NumPy包简介
NumPy包是Python生态系统中数据分析、机器学习和科学计算的主力。它极大地简化了对向量和矩阵的操作和处理，Python的一些主要软件包依赖NumPy作为其基础设施的基本组成部分（例如scikit-learn、SciPy、pandas和TensorFlow）。
在vcsode中新建一个文件，numpy.ipynb，打开就可以交互式的运行Python了：官网好像已经更新到2.2.0版本了！
# 导入NumPy
import numpy as np
# 查看版本
np.__version__
# 1.26.4
创建数组
1. 通过传递给np.array()函数一个list对象，来创建一个数组：
# 比如这里一维的数组
data = np.array([1,2,3])
data
图示如下，有了图的加持，真的非常好理解：
2. 创建一个随机初始化数组
np.ones，np.zeros，np.random.random分别表示创建一个指定长度为n的数组：
data = np.ones(3)
data
data = np.zeros(3)
data
data = np.random.random(3)
data
图示：
3. 多维数组
二维：
data = np.array([[1,2],[3,4]])
data
# 同样的
np.ones((3,2))
np.zeros((3,2))
np.random.random((3,2))
更高维：
np.array([ [[1,2],[3,4]],
[[5,6],[7,8]] ])
np.ones((4,3,2))
np.zeros((4,3,2))
np.random.random((4,3,2))
提取子集
使用下标和切片提取，Python的下标是从0开始的：
data = np.array([[1,2],[3,4],[5,6]])
data
data[0,1]
data[1:3]
data[1:3,]
data[0:2,0]
数组转置与reshape()
转置：行变成列，列变成行
data = np.array([[1,2],[3,4],[5,6]])
data
data.T
reshape：
data = np.array([1,2,3,4,5,6])
data
data.reshape(2,3)
data.reshape(3,2)
数组运算
1. 矩阵可以进行加减乘除等数学运算：
# 首先创建两个维度一致的矩阵：
data = np.array([1,2])
ones = np.ones(2)
# 加法
ad = data + ones
ad
2. 其他运算：
# 减法
sub = data - ones
sub
# 乘法
mul = data * data
# 除法
div = data / data
# 自动补全
pl = data * 1.6
图示：但是这里的运算好像和线性代数里面感觉有点不一样啊？
3. 自动补全：
4. 最小值/最大值/平均值等：
data = np.array([1,2,3])
data.max()
data.min()
data.sum()
data.prod()
data.std()
二维数组每一行每一列的最大、最小值：
data = np.array([[1,2],[3,4],[5,6]])
data.max(axis=0)
data.max(axis=1)
axis=0表示按列运算，axis=1表示按行运算：更多的运算见：https://jakevdp.github.io/PythonDataScienceHandbook/02.04-computation-on-arrays-aggregates.html
5. 多维数组运算
# data + ones
data = np.array([[1,2],[3,4]])
ones = np.ones((2,2))
data + ones
# data + ones_row
data = np.array([[1,2],[3,4],[5,6]])
ones_row = np.ones((1,2))
data + ones_row
6. 点积运算(dot)
这个运算看起来比较像线性代数里面的两个矩阵相乘：
data1 = np.array([1,2,3])
data2 = np.array([[1,10],[100,1000],[10000,100000]])
data1.dot(data2)
高级运算
除了向量和矩阵支持运算外，公式的使用也是NumPy成为宠儿的原因之一。例如在解决回归问题中监督式机器学习的核心公式：均方差公式
error = (1/n) * np.sum(np.square(predictions - labels))
具体计算过程如下：predictions与labels这两个参数的长度需要相同：
step1
step1
step2
step2
step3
step3
step4
step4
更多应用
1. 音频文件
一段音频可以存为一个一维数组，通过切片法可以剪辑任意一段：CD质量的音频每秒包含44,100个样本，每个样本是-65535到65536之间的整数。这意味着如果你有一个10秒的CD质量WAVE文件，你可以将它加载到长度为10 * 44,100 = 441,000的NumPy数组中
2. 图像Images
图像是像素大小（高度 x 宽度）的矩阵。如果图像是黑白的（也称为灰度），每个像素可以用一个数字表示（通常介于0（黑色）和255（白色）之间）。想要裁剪图像左上角10 x 10像素的部分吗？使用numpy
如果图像是彩色的，那么每个像素用三个数字表示——红色、绿色和蓝色各一个值。在这种情况下，我们需要一个三维（因为每个单元格只能包含一个数字）。所以一个彩色图像是由一个3维数组表示的：（高 x 宽 x 3）
使用图的形式直观展示出来是不是容易理解多了~