本文共 2696 字，大约阅读时间需要 8 分钟。

Python与Numpy入门课程

前言

Python是数据处理语言中广泛使用的工具之一，而Jupyter Notebook作为一个Data Science IDE，凭借其高效便捷的交互式工作环境，不仅适合数据分析，也是学习numpy的理想平台。

安装Jupyter Notebook

在终端中输入以下命令即可安装Jupyter Notebook：

pip install jupyter

启动Jupyter Notebook，可以在工作目录中输入jupyter notebook，即可打开浏览器查看工作界面。对于工作目录的访问，你可以通过鼠标点击进入或在文件路径中输入cmd然后回车。

安装numpy

安装numpy的命令是：

pip install numpy

一、numpy基础知识

1.1 Numpy的基本数组类型

numpy提供了多种扩展的数组类型，其中最常用的是ndarray。以下是numpy和Python列表的主要区别：

• 计算效率：在N slave进行大规模数据计算时，numpy显著优于Python的list类型。
• 内存管理：Numpy的数组是基于C语言实现的，内存使用更高效。

当你明白numpy的优势后，astype函数可以帮助你快速将数据类型转换。例如：

import numpy as npx = np.array([1.0, 2.0, 3.0])y = x.astype('int32')

通过查看nbytes和dtype参数，可以了解不同数据类型所需的内存大小。例如：

x = np.array([1, 2, 3, 4, 5], dtype=np.int64)

这里，dtype=np.int64意味着每个数占用8个字节，总占用64个字节。

1.2 数组属性解析

numpy数组的属性包括flags、shape、strides、ndim、base等。每个属性都提供了不同方面的信息，例如：

• flags：以布尔形式显示数组属性，如CONTIGUOUS（数据块连续性）、OWNERWABLE（数据可写性等）。
• shape：表示数组的维度。
• strides：表示每个维度内元素的步长。
• base：表示数组继承自哪个ndarray。

通过运行以下代码可以更直观地了解这些属性的含义：

import numpy as npx = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.int32)print(x.flags)print(x.shape)  # 输出：(2, 3)print(x.strides)  # 输出：(2, 1)

1.3 数组与矩阵的生成

在实际应用中，生成满足需求的数组或矩阵非常重要。Numpy提供了多种函数来帮助生成：

• np.zeros：创建全零矩阵。
• np.ones：创建全一矩阵。
• np.full：创建指定值矩阵。

例如，生成一个二维全零矩阵：

y = np.zeros((3, 3))

与生成一维全零数组

z = np.zeros(5)

可以通过行或列的方式切换维度。

1.4 随机数组与矩阵

在实际分析中，随机数据往往是必不可少的。Numpy提供了丰富的随机数生成函数，可以根据需求选择合适的分布：

• 均匀分布：

np.random.rand(3)

• 正态分布：

np.random.normal(0, 1, 3)

这样生成的数组可以直接用于后续的数据分析或算法训练。

2. 数组操作

2.1 基本操作

Numpy数组的操作包括索引、切片和重塑。以下是一个简单的示例：

x = np.array([1, 2, 3], dtype=np.int8)x[0] = 10print(x)  # 输出：[10 2 3]

如果对切片进行修改，原数组也会随之改变，这就体现了numpy数组的共享特性。

通过reshape方法可以改变数组的形状。如果需要生成新的数据块，可以使用copy()方法。

2.2 数据合并与分割

在高并发计算中，合并和分割是常见操作。Numpy提供了多种函数来实现：

• np.vstack 和 np.hstack：用于二维数组的合并。
• np.split：用于一维数组的分割。

例如，将两个一维数组合并为二维数组：

a = np.array([1, 2, 3])b = np.array([4, 5, 6])c = np.vstack((a, b))print(c.shape)  # 输出：(2, 3)

需要注意的是，合并数据时需要确保原数组的维度一致。

2.3 数组与矩阵运算

Numpy的阵向量和矩阵运算功能非常强大，常用于机器学习和数据科学领域。以下是一个简单的矩阵乘法示例：

A = np.array([[1, 2], [3, 4]])B = np.array([[5, 6], [7, 8]])C = np.dot(A, B)print(C)  # 输出：[[19 22]               #[25 34]]

如果需要高效计算，可以利用numpy的优化。

2.4 操作统计

为了了解数据集的统计特性，可以通过以下方法计算最大值、最小值等：

max_value = np.max(arr)min_value = np.min(arr)mean_value = np.mean(arr)

对于二维数组，可以使用argmax等函数获取差异最大值的位置：

print(np.argmax([[1, 2], [3, 4]]))

2.5 索引运算

在实际分析中，索引运算是必不可少的。Numpy提供了灵活的索引方式，如布尔索引：

arr = np.array([10, 2, 3, 5, 1])filtered = arr[2:3]print(filtered)  # 输出：[3]

此外，伪索引运算通过args来实现，可以直接获取数据索引位置，如：

print(arr[args])

2.6 Fancy Indexing

复杂索引对数据处理灵活性贡献很大。Numpy支持通过布尔数组或索引数组进行索引。在实际应用中，这对于数组的高效操作至关重要。

总结

• 生成随机数：在Python中可以直接使用random.randint生成随机数，但Numpy内置更高效的函数。
• 依赖关系：Numpy与SciPy等库兼容，为科学计算提供了强大的工具。
• 最佳实践：尽可能利用Numpy的向量化操作，减少Python循环，提高运行效率。

通过这些简单的示例和介绍，你应该已经对Numpy有了一个基本的认识。