Numpy入门：实战演示简单用法与操作

Numpy是一个强大的Python库，专为科学计算和数据分析设计，其核心是NumPy数组（ndarray），它提供了高效、内存优化的多维数组操作。本文将详细介绍Numpy的简单用法，帮助读者理解和掌握这个工具在编程中的应用。 首先，我们来了解如何创建`ndarray`对象。Numpy提供了多种方式创建数组： 1. **列表转换**：可以使用`np.array()`函数将列表转换为ndarray。例如，列表`[1,2,3,4,5]`转换为： ``` >>> a = [1,2,3,4,5] >>> np.array(a) array([1,2,3,4,5]) ``` 2. **随机数生成**：`np.random.rand()`用于生成指定形状的随机浮点数，如3x4的随机数组： ``` >>> np.random.rand(3,4) array([[0.16215336, 0.49847764, 0.36217369, 0.6678112 ], [0.66729648, 0.86538771, 0.32621889, 0.07709784], [0.05460976, 0.3446629 , 0.35589223, 0.3716221 ]]) ``` `np.random.randint()`则生成指定范围内的随机整数： ``` >>> np.random.randint(1,5,size=(3,4)) array([[2,3,1,2], [3,4,4,4], [4,4,4,3]]) ``` 3. **数值初始化**：`np.zeros()`生成全零数组，`np.ones()`生成全一数组，`np.empty()`创建具有未知初始值的数组，但请注意`np.empty()`的行为可能因版本不同而异，不推荐使用。还有针对整数的版本： ``` >>> np.zeros((3,4), int) array([[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]]) >>> np.ones((3,4), int) array([[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]) ``` 4. **仿射范围**：`np.arange()`用于生成等差数列，如从2到10，步长为2的数组： ``` >>> np.arange(2, 10, 2) array([2, 4, 6, 8]) ``` 接着，我们探讨ndarray的属性查看和操作。使用`ndim`属性获取数组维度，`shape`属性查看数组的形状，以及基本的元素访问和修改： ``` >>> a = [[1,2,3,4,5],[6,7,8,9,0]] >>> b = np.array(a) >>> b.ndim # 查看维度 2 >>> b.shape # 查看形状 (2, 5) # 操作示例 >>> c = b[0] # 提取第一行 >>> c array([1, 2, 3, 4, 5]) # 修改元素 >>> b[1, 0] = 100 >>> b array([[ 1, 2, 3, 4, 5], [100, 7, 8, 9, 0]]) ``` 以上只是Numpy基本用法的一部分，Numpy还提供了丰富的数学函数、线性代数操作、统计分析等功能，这些都是数据处理和科学计算的强大工具。通过深入学习和实践，你可以将Numpy融入到各种数据处理任务中，提升代码效率和可读性。