什么是numpy？
简介
NumPy（Numerical Python）是一个用于科学计算的Python库，它提供了一种高效地处理大型多维数组和矩阵的方式。NumPy具有广泛的数学函数库，可以进行线性代数、傅里叶变换以及随机数生成等操作。该库还提供了对数组的快速运算能力，使得数据分析和科学计算更加简单和高效。
安装
使用pip安装NumPy非常简单：
pip install numpy语法
数组的创建和属性
在NumPy中，最基本的数据结构是ndarray（N-dimensional array，多维数组），它是NumPy提供的主要对象类型。可以使用以下方法创建和初始化数组：
使用numpy.array()函数从现有的Python列表或元组中创建数组。
使用numpy.arange()函数创建一个有规律的数组。
使用numpy.zeros()函数创建全零数组。
使用numpy.ones()函数创建全一数组。
使用numpy.empty()函数创建未初始化的数组。下面是一些创建数组的实例：
import numpy as np
# 从列表创建数组
arr1 = np.array([1, 2, 3])
print(arr1) # 输出: [1 2 3]
# 使用arange创建数组
arr2 = np.arange(0, 10, 2)
print(arr2) # 输出: [0 2 4 6 8]
# 创建全零数组
arr3 = np.zeros((2, 3))
print(arr3)
# 输出:
# [[0. 0. 0.]
# [0. 0. 0.]]
# 创建全一数组
arr4 = np.ones((3, 3), dtype=int)
print(arr4)
# 输出:
# [[1 1 1]
# [1 1 1]
# [1 1 1]]
# 创建未初始化的数组
arr5 = np.empty((2, 2))
print(arr5)
# 输出:
# [[6.e-322 4.e-323]
# [7.e-323 0.e+000]]数组的索引和切片
NumPy提供了强大的索引和切片功能，使得对数组中的元素进行选择和操作变得非常方便。
使用整数索引单个元素：可以使用[i, j]的方式获取多维数组中的元素。
使用切片获取多个元素：可以使用[start:end]的方式获取数组中的一段连续元素。
使用布尔索引进行条件筛选：可以通过逻辑运算创建一个布尔数组，并使用该数组作为索引来筛选数组中满足条件的元素。
使用花式索引获取指定位置的元素：可以传入一个整数或整数列表来选择数组中特定位置的元素。以下是一些示例：
import numpy as np
# 创建一个3x3的二维数组
arr = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# 使用整数索引获取单个元素
print(arr[0, 2]) # 输出: 3
# 使用切片获取多个元素
print(arr[:2, 1:]) # 输出: [[2 3]
# [5 6]]
# 使用布尔索引进行条件筛选
bool_arr = arr > 5
print(bool_arr)
# 输出:
# [[False False False]
# [False False True]
# [ True True True]]
print(arr[bool_arr])
# 输出: [6 7 8 9]
# 使用花式索引获取指定位置的元素
print(arr[[0, 2], [1, 2]]) # 输出: [2 9]数组的运算和函数
NumPy提供了丰富的数学函数和运算符，可以对数组进行各种数值计算。下面介绍一些常用的运算和函数：
数组的基本运算：可以对数组进行加、减、乘、除等基本运算，以及取余、幂运算等。
数组的统计函数：可以计算数组的最大值、最小值、平均值、中位数、标准差等统计指标。
数组的元素级操作：可以对数组中的每个元素进行操作，如取反、取绝对值、四舍五入等。
数组的形状操作：可以改变数组的形状，如转置、展平、重塑等操作。
数组的逻辑运算：可以对数组进行逻辑运算，如与、或、非等。
数组的排序：可以对数组进行排序，包括升序和降序排序。
以下是一些示例：
import numpy as np
# 数组的基本运算
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
print(arr1 + arr2) # 输出: [5 7 9]
print(arr1 * arr2) # 输出: [ 4 10 18]
# 数组的统计函数
arr3 = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
print(np.max(arr3)) # 输出: 9
print(np.mean(arr3)) # 输出: 5.0
# 数组的元素级操作
arr4 = np.array([-1, -2, 3.5])
print(np.abs(arr4)) # 输出: [1. 2. 3.5]
print(np.round(arr4)) # 输出: [-1. -2. 4.]
# 数组的形状操作
arr5 = np.array([[1, 2, 3],
[4, 5, 6]])
print(np.transpose(arr5)) # 输出: [[1 4]
# [2 5]
# [3 6]]
print(arr5.flatten()) # 输出: [1 2 3 4 5 6]
print(np.reshape(arr5, (3, 2))) # 输出: [[1 2]
# [3 4]
# [5 6]]
# 数组的逻辑运算
arr6 = np.array([True, False, True])
arr7 = np.array([False, True, False])
print(np.logical_and(arr6, arr7)) # 输出: [False False False]
# 数组的排序
arr8 = np.array([3, 1, 5, 2, 4])
print(np.sort(arr8)) # 输出: [1 2 3 4 5]数据分析中的地位
NumPy在数据分析领域具有重要的地位。它提供了高效的数组操作和数学函数，使得处理大量数据变得更加高效。以下是NumPy在数据分析中的一些应用场景：
数据存储：NumPy可以有效地存储和处理大型多维数组，适用于存储和操作各种类型的数据，包括数字、字符串、布尔值等。
数据清洗和处理：通过NumPy的强大的索引和切片功能，可以对数据进行筛选、切片、随机抽样等操作，使得数据清洗和预处理更加灵活。
数学计算和统计分析：NumPy提供了丰富的数学函数和运算符，可以进行各种数值计算和统计分析，包括求平均值、标准差、相关系数、协方差等。
数组运算和广播：NumPy支持对数组进行基本运算，如加、减、乘、除等，以及逻辑运算和位运算。此外，NumPy还提供了广播（broadcasting）功能，可以对形状不同的数组进行运算，使得数据处理更加灵活和高效。
快速向量化操作：NumPy的底层实现是用C语言编写的，所以它在执行向量化操作时非常高效。通过使用NumPy，可以避免使用循环来处理单个元素，而是将操作应用于整个数组，从而提高计算速度。
与其他库的兼容性：NumPy与其他常用的数据分析库（如Pandas、Matplotlib等）紧密结合，可以无缝地与这些库进行交互，使得数据分析工作流更加流畅和高效。
假设我们有一份学生考试成绩的数据，包含了三个班级的数学成绩、英语成绩和历史成绩。我们可以使用NumPy来进行数据处理和统计分析。
import numpy as np
# 创建一个二维数组，表示每个班级的成绩
scores = np.array([[80, 90, 85],
[75, 95, 92],
[82, 88, 79]])
# 计算每个班级的平均成绩
class_averages = np.mean(scores, axis=1)
print(class_averages) # 输出: [85. 87.33333333 83. ]
# 计算每门科目的平均分和标准差
subject_averages = np.mean(scores, axis=0)
subject_std = np.std(scores, axis=0)
print(subject_averages) # 输出: [79. 91. 85.33333333]
print(subject_std) # 输出: [ 2.94392029 3.51188458 5.50757055]
# 判断是否有学生不及格（成绩低于60分）
pass_status = np.all(scores >= 60, axis=1)
print(pass_status) # 输出: [ True True False]
# 统计每个班级及格人数
pass_count = np.sum(pass_status)
print(pass_count) # 输出: 2在上述实例中，我们首先创建了一个二维数组scores，表示每个班级的成绩。然后通过NumPy的函数进行统计分析，计算了每个班级的平均成绩、每门科目的平均分和标准差，并判断了是否有不及格的学生。最后，通过使用NumPy的函数统计了每个班级及格的人数。
通过这个简单的实例，可以看出NumPy在数据分析中的重要性和灵活性。它可以帮助我们高效地进行数据处理、统计分析和运算，为数据科学家和分析师提供了强大的工具。
想要体验在线编程的请大家登录：https://zglg.work