Python Numpy 教程：从基础到进阶应用

"使用python Numpy" Numpy是Python中用于科学计算的核心库，它提供了强大的多维数组对象和矩阵运算功能。Numpy是Anaconda发行版自带的库，因此在安装Anaconda后，无需额外安装即可使用。 1. **简介** Numpy库的核心是`ndarray`对象，它是一种高效的数据结构，可以存储同类型的多维数组。Numpy提供了一系列数学函数，用于处理这些数组，大大提高了数值计算的效率。 2. **效率与内存管理** 在Python中，使用列表进行大规模计算可能效率较低。Numpy通过内部优化实现了高效的内存管理和计算速度，如`method1`、`method2`和`method3`的对比所示。`method3`使用numpy的`arange`和`**`操作，其执行时间和内存占用远低于使用纯Python列表。 3. **创建ndarray对象** - **ndarray的属性**：包括`shape`（数组的形状）、`dtype`（数据类型）、`size`（元素总数）等。 - **zeros/ones/eye/full**：这些函数分别用于创建全0、全1和单位矩阵的数组，`full`可以填充指定值。 4. **numpy数据类型** Numpy支持多种内置数据类型，如整型（int）、浮点型（float）、复数（complex）等，并且有专门的类型如`bool_`、`object_`和`string_`。 5. **numpy字符编码** Numpy数组可以存储字符串，但需要注意字符串的编码方式，以确保正确处理不同语言和特殊字符。 6. **自定义数据类型** 用户可以通过`dtype`结构创建自定义数据类型，以满足特定需求。 7. **数组的索引和切片** Numpy数组支持类似Python列表的索引和切片操作，但可以进行多维索引和高级索引。 8. **改变数组维度** - `reshape()`：创建一个新的数组，形状改变，但不改变原始数组。 - `shape`属性：直接修改数组的形状，会改变原始数组。 - `resize()`：直接改变数组大小，同样会改变原始数组。 - 展平数组：使用`ravel()`或`flatten()`将多维数组转换为一维数组。 - 矩阵转置：使用`.T`属性快速实现数组的转置。 9. **数组的组合** 可以通过`vstack`、`hstack`、`column_stack`、`stack`等函数组合数组，创建新的多维数组。 10. **基于numpy的统计分析应用** - 保存数据到文件：可以使用`numpy.save`和`numpy.savetxt`将数组数据写入文件。 - 读取csv文件：借助`numpy.loadtxt`或`numpy.genfromtxt`读取CSV文件中的数据。 - 数组的加权平均数：`np.average(arr, weights=weight_arr)`。 - 算术平均数：`mean(arr)`。 - 最大值、最小值：`max(arr)`和`min(arr)`。 - 极差：`ptp(arr)`。 - 中位数：`median(arr)`。 - 方差：`var(arr)`。 - 对数：`log(arr)`。 - 简单收益率和对数收益率：`np.diff(close)/close[:-1]`和`np.log(close[1:]/close[:-1])`。 - 标准差：`std(arr)`。 - `where`函数：返回匹配条件的下标。 - 平方根与波动率：`sqrt(arr)`与年、月波动率计算。 - 数组的阶次运算：例如指数运算`arr ** n`。 Numpy的强大在于其高效的数据处理能力和丰富的数学函数，使得在处理大量数据时，能够实现快速的计算和便捷的操作。在金融分析、机器学习、物理模拟等领域，Numpy是不可或缺的工具。