NumPy入门教程

NumPy安装

我们推荐你使用Anaconda进行Python的包管理和虚拟环境的配置，详见这份教程。如果你有conda，那么你可以通过以下命令安装NumPy：

conda install numpy

如果你没有conda，那么你也可以通过pip安装NumPy：

pip install numpy

你可以通过这样的方式检查你是否安装了NumPy：

先进入命令行界面

WIN

WIN+R

cmd

进入Python交互式环境

python

(base) C:\Users\user>python
Python 3.11.3 (tags/v3.11.3:f3909b8, Apr  4 2023, 23:49:59) [MSC v.1934 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>>

检查NumPy是否安装

import numpy

>>> import numpy
>>>

NumPy的简单使用

生成`ndarray`

numpy.ndarray是numpy中最基础最普遍的类。

ndarray含义为N dimension array，numpy用这个类用于表示vector（1D）和matrix（2D），以及更高维度的tensor。

不同于python的List类，ndarray这一数据结构要求每一个元素的类型相同，计算机表示这一属性太赞了，不仅存储更为高效，而且运算操作也更方便，因此对ndarray计算的速度超级快啦。

源代码是这样的：

np.array()            # 将自定义的list转为ndarray
np.arange()           # 等差数列，给定公差
np.linspace()         # 等差数列，给定项数
np.zeros()            # 全0
np.ones()             # 全1
np.random.random()    # 全随机数
np.eye()              # 单位矩阵

常用的生成ndarray的方法包括但不限于：

np.array()            # 将自定义的list转为ndarray
np.arange()           # 等差数列，给定公差
np.linspace()         # 等差数列，给定项数
np.zeros()            # 全0
np.ones()             # 全1
np.random.randn()    # 全随机数
np.eye()              # 单位矩阵

下面是一些例子：

(my_env) PS C:\Users\path> python
Python 3.9.18 (main, sep 11 2023), [MSC v. 1916 64 bit (AMD64)] on win32
type "help" ,"copyright "credits" or "license" for more information.
>>> import numpy as np
>>> np.array([1,2,3,4,5])
array([1, 2, 3, 4, 5])
>>> np.arange(0,15,1)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
>>> np.linspace(1,9,9)
array([1., 2., 3., 4., 5., 6., 7., 8., 9.])
>>> np.zeros(5)
array([0., 0., 0., 0., 0.])
>>> np.random.randn(5)
array([ -0.6616539, 1.51110686, -0.69030819, -1.52725126,  0.45914958])

ndarray的属性

ndarray的内置属性包括但不限于：

array.shape         # 形状
array.size          # 大小
array.ndim          # 维度
array.dtype         # 元素数据类型

我们可以通过打印这些属性来查看。

下面是一些例子：

(my_env) PS C:\Users\path> python
Python 3.9.18 (main, sep 11 2023), [MSC v. 1916 64 bit (AMD64)] on win32
type "help" ,"copyright", "credits" or "license" for more information.
>>> import numpy as np
>>> a = np.array([1,2,3],[4,5,6],[7,8,9])
>>> a.shape
(3, 3)
>>> a.size
9
>>> a.ndim
2
>>> a.dtype
dtype('int32')
>>> type(a)
<class 'numpy.ndarray'>

基本运算

常用的ndarray的数学操作（element-wise）包括但不限于：

np.sin()      # 三角操作
np.exp()      # e指数
np.min()      # 最小值
np.max()      # 最大值
np.mean()     # 均值
np.sqrt()     # 算数平方根
array**n      # n次方

下面是一些例子：

(my_env) PS C:\Users\path> python
Python 3.9.18 (main, sep 11 2023), [MSC v. 1916 64 bit (AMD64)] on win32
type "help" ,"copyright", "credits" or "license" for more information.
>>> import numpy as np
>>> a = np.array([1,2,3,4,5])
>>> np.sin(a)
array([ 0.84147098,  0.90929743,  0.14112001, -0.7568025 , -0.95892427])
>>> np.exp(a)
array([  2.71828183,   7.3890561 ,  20.08553692,  54.59815003, 148.4131591 ])
>>> np.min(a)
1
>>> np.max(a)
5
>>> np.mean(a)
3.0
>>> np.sqrt(a)
array([1.        , 1.41421356, 1.73205081, 2.        , 2.23606798])
>>> a**2
array([ 1,  4,  9, 16, 25])
>>> a**3
array([  1,   8,  27,  64, 125])

事实上，对于ndarray的操作就等价于对其中每一个元素进行操作。这样的好处是，不仅代码简洁，而且运算速度也更快。

更多操作

矩阵操作

常用的ndarray矩阵（以及张量）的操作包括但不限于：

array.flatten()         # 展平成一维
array.flatten()         # 展平成一维
array.reshape()         # 改变形状
array.T                 # 转置
array1 @ array2         # 矩阵相乘
np.dot(array1,array2)   # 矩阵相乘，与@相同
array1.dot(array2)      # 矩阵相乘，与@相同
array1 * array2         # 各位置元素(element-wise)乘法

下面是一些例子：

(my_env) PS C:\Users\path> python
Python 3.9.18 (main, sep 11 2023), [MSC v. 1916 64 bit (AMD64)] on win32
type "help" ,"copyright", "credits" or "license" for more information.
>>> import numpy as np
>>> np.eye(3)
array([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 1.]])
>>> np.eye(3, 5)
array([[1., 0., 0., 0., 0.],
        [0., 1., 0., 0., 0.],
        [0., 0., 1., 0., 0.]])
>>> a = np.eye(3, 5)
>>> a.flatten()
array([1., 0., 0., 0., 0., 0., 1., 0., 0., 0., 0., 1., 0., 0.])
>>> a.reshape(5,3)
array([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 1.],
        [0., 0., 0.],
        [0., 0., 0.]])
>>> b = np.array([[1,1,4],[5,1,4],[2,3,3]])
>>> a.T @ b
array([[1., 1., 4.],
        [5., 1., 4.],
        [2., 3., 3.],
        [0., 0., 0.],
        [0., 0., 0.]])
>>> b.dot(a)
array([[1., 1., 4., 0., 0.],
        [5., 1., 4., 0., 0.],
        [2., 3., 3., 0., 0.]])
>>> c = np.eye(3)
>>> b * c
array([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 3.]])

索引切片拼接

ndarray的索引方式与python的List类似，但是更加强大。

array[i]             # 索引array中的第i个元素
array[-1]            # 索引array的最后一个元素
array[i:j]           # 第i至第j-1个元素组成的新ndarray
np.vstack((a1,a2))   # vertical stack
np.hstack((a1,a2))   # horizontal stack
# and more ...

下面是一些例子：

(my_env) PS C:\Users\path> python
Python 3.9.18 (main, sep 11 2023), [MSC v. 1916 64 bit (AMD64)] on win32
type "help" ,"copyright", "credits" or "license" for more information.
>>> import numpy as np
>>> a = np.array([1,2,3,4,5])
>>> a[-1]
5
>>> a[1:3]
array([2, 3])
>>> a[:-1]
array([1, 2, 3, 4])
>>> a1 = np.array([[1,1],[2,2]])
>>> a2 = np.array([[3,3],[4,4]])
>>> np.vstack((a1,a2))
array([[1, 1],
        [2, 2],
        [3, 3],
        [4, 4]])
>>> np.hstack((a1,a2))
array([[1, 1, 3, 3],
        [2, 2, 4, 4]])

文件读写

numpy可以将ndarray存为.npy文件，以及从.npy文件中load ndarray。

np.save('array.npy', array)
array = np.load('array.npy')

同时，numpy也支持.txt和.csv文件的读写，通过savetxt和loadtxt函数

np.savetxt('array.txt',array)
array = np.loadtxt('array.txt')

总结

今天小编为大家带来的NumPy指南到此为止啦，其实今天只介绍了很少一部分功能，鼓励大家读文档自行学习。

最后祝大家期中/期末/学业/科研/生活顺利啦~(๑•̀ㅂ•́)و✧

参考文献

[1] NumPy documentation — NumPy v1.26 Manual, https://numpy.org/doc/1.26/index.html