NumPy 速查表

NumPy 速查表 提供了所有基础主题的快速参考。NumPy 是 Python 中一个流行的库，用于基于线性代数、统计学等的数学运算。通过学习这份速查表，您可以有效地使用 NumPy 解决各种问题。仔细阅读本备忘单，了解其基础知识，提升您的工作效率。

• NumPy 简介
• 安装 NumPy
• 导入 NumPy
• 创建 NumPy 数组
• 数组数据类型
• 数组形状和大小
• 重塑和平整数组
• 索引和切片数组
• 布尔索引
• 特定索引
• 基本数组操作
• 通用函数
• 聚合函数
• 生成随机数
• 拆分数组
• NumPy 中的复制与查看
• 线性代数
• 统计函数
• 排序和搜索
• 过滤数组
• 处理缺失数据
• 使用结构化数组
• 内存布局和优化
• 将 NumPy 与 Pandas 结合使用
• 保存和加载数组

1. NumPy 简介

在简介中，NumPy 是一个处理数组和数学运算的 Python 库。NumPy 是"Numerical Python"的缩写。NumPy 提供了丰富的功能，如下所示:

• 高性能数值运算。
• 支持复数和矩阵。
• 与 Pandas 和 Matplotlib 等流行库集成。

2. 安装 NumPy

要在系统上安装 NumPy，请使用以下命令 -

pip install numpy

3. 导入 NumPy

要导入 Python 库 (numpy)，请使用以下代码 -

import numpy as np

4.创建 NumPy 数组

要在 Python 中创建 NumPy 数组，请使用 ndarray 对象，即 array() 函数。

# 一维数组
np.array([1, 2, 3])

# 二维数组
np.array([[1, 2], [3, 4]])

5. 数组数据类型

NumPy 数据类型 (dtype) 是 NumPy 数组可以保存的特定数据类型。 NumPy 拥有多种数据类型，例如 int、float、bool 等。

import numpy as np

# 指定数据类型
arr = np.array([1, 2, 3], dtype=np.float32)

print(arr.dtype)

6.数组形状和大小

NumPy 的 shape 表示数组的维度，而 size 表示数组中元素的总数。

# 返回数组形状
arr.shape

# 返回元素数量
arr.size

# 返回维度数量
arr.ndim

7.数组重塑和平展

在 NumPy 中，我们使用重塑函数 reshape() 来改变数组的形状。平展数组的定义是将多维数组转换为一维数组。

arr.reshape((2, 3)) # 重塑为 2*3
arr.flatten() # 平展为 1 维

8.索引和切片数组

在 NumPy 中，索引 和 切片 用于访问和操作数组中的元素。

索引

索引允许用户访问 NumPy 数组中的特定元素。

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])

# 访问第 0 行第 1 列的元素
element = arr[0, 1]  
print(element)

切片

在 NumPy 中，切片 允许用户从指定元素访问数据范围。切片的语法为"array[start:end:step]"。

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])

# range
slice = arr[2:5]
print(slice)

9.布尔索引

NumPy 中的布尔索引允许用户根据条件从数组中选择元素。在这里，用户可以使用"True"和"False"值来代替整数值。

import numpy as np
# 创建 NumPy 数组
arr = np.array([10, 20, 30, 40, 50])
# 条件
bool_array = arr > 25
# 使用布尔数组对原始数组进行索引
result = arr[bool_array]
print(result)

10.特定索引

特定索引是通过访问数组中存在的元素组来定义的。这里，我们有两种方法可以获取特定索引。-

i. 整数数组索引

import numpy as np

# 创建一个 NumPy 数组
arr = np.array([11, 21, 31, 41, 51, 61])

# 使用索引数组访问特定元素
indexes = np.array([0, 2, 4])
res = arr[indexes]

print(res)

ii.多维索引

import numpy as np

# 多维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 第一行和第三行
row_indices = np.array([0, 2])
# 第二列和第三列
col_indices = np.array([1, 2])

# 使用 np.ix_ 为指定的行和列创建网格
res = arr[np.ix_(row_indices, col_indices)]
print(res)

11.基本数组运算

此处，数组运算与算术运算符配合使用。

arr1 + arr2 # 加法
arr1 - arr2 # 减法
arr1 * arr2 # 乘法
arr1 / arr2 # 除法
arr1 ** 2 	# 平方

12.通用函数

在 NumPy 中，通用函数 的缩写形式是"ufuncs"，它对 n 维数组 (ndarray) 进行操作。

import numpy as np
arr1 = np.array([3, 4, 6, 3])
arr2 = np.array([1, 5, 4, 1])

# ufunc (add) 将两个数组元素相加
res = np.add(arr1, arr2)  
print(res) 

13. 聚合函数

在 NumPy 中，聚合函数 是一种数学运算，它包含一个或多个数组元素以生成结果。

np.sum(arr) 	# 总和
np.mean(arr) 	# 平均值
np.max(arr) 	# 最大值
np.min(arr) 	# 最小值

14.生成随机数

在 NumPy 中，生成随机数的定义是生成不可预测的数字。

import numpy as np
# [0, 1] 范围内的随机数
x = np.random.rand(3, 3)

# 标准正态分布
y = np.random.randn(3, 3)

# 随机整数
z = np.random.randint(1, 10, (2, 2))

print(x)
print(y)
print(z)

15.拆分数组

在 NumPy 中，可以使用 split 函数或 numpy.split 函数将数组拆分为两个或多个子数组。

import numpy as np
arr = np.array([11, 12, 13, 14, 15, 16])
res_arr = np.array_split(arr, 3)
print(res_arr)

16. NumPy 中的复制与视图

在 NumPy 中，理解数组复制与视图之间的区别，对于有效的内存管理和数据操作至关重要。

i. NumPy - 复制

数组的副本是使用其自身数据创建的新数组。对副本所做的更改不会影响原始数组。

import numpy as np

# 创建原始数组
arr = np.array([1, 2, 3, 4, 5])

# 原始数组的副本
copy_array = np.copy(arr)

# 对复制数组的修改
copy_array[0] = 10

print("原始数组:", arr)
print("复制数组的结果:", copy_array)

ii. NumPy - 视图

数组的视图是一个新的数组对象，它与原始数组的数据相同。对副本所做的更改将影响原始数组。

import numpy as np

# 创建原始数组
arr = np.array([1, 2, 3, 4, 5])

# 原始数组的视图
view_array = arr[1:4]

# 对视图数组的修改
view_array[0] = 20

print("原始数组:", arr)
print("视图数组的结果:", view_array)

17.线性代数

在 NumPy 中，线性代数是数学的一个分支，它允许使用 NumPy 数组函数进行加法、乘法、逆运算以及求解线性方程组。

np.dot(A, B) # 点积
np.linalg.inv(A) # 矩阵的逆
np.linalg.det(A) # 行列式

18.统计函数

在 NumPy 中，统计函数是内置函数，允许用户直接在 numPy 数组上计算平均值、中位数、标准差、方差、最小值、最大值、百分位数等统计量。

# 标准差
np.std(arr)

# 方差
np.var(arr)

# 第 40 个百分位数
np.percentile(arr, 40)  

19. 排序和搜索

在 NumPy 中，排序是指按特定顺序(通常按升序或降序)排列元素序列的过程。 NumPy 中的 搜索 是指查找数组中符合特定条件的元素索引的过程。

# 对数组进行排序
np.sort(arr)

# 返回排序后元素的索引
np.argsort(arr)

# 大于 5 的元素的索引
np.where(arr > 5)

20.过滤数组

在 NumPy 中，过滤一个数组，该数组包含从满足特定条件的数组中选定的元素。

arr[arr > 5]

21.处理缺失数据

在 NumPy 中，处理 缺失数据是指用户管理数据集中数据点缺失的策略。

# 检查 NaN 值
np.isnan(arr)

# 将 NaN 替换为零
np.nan_to_num(arr)

22.使用结构化数组

在 NumPy 中，处理结构化数组时，需要定义数据类型 (dtype)，该数据类型指定字段的名称和类型。

dtype = [('name', 'S10'), ('age', 'i4')]
data = np.array([('Mark', 25), ('Jobin', 30)], dtype = dtype)

23. 内存布局与优化

在 NumPy 中，内存布局是指数据元素在内存中的排列方式。以下是内存优化过程的一些关键方面 -

• dtype 选择:使用数据类型，例如，numpy.float16 而不是 numpy.float64。
• 内存对齐:将数组存储在连续的内存中以减少碎片。
• 查看数组:使用视图而不是副本来节省内存。

arr.nbytes # 内存使用量(以字节为单位)
arr.strides # 每个维度在内存中的步长

24.将 NumPy 与 Pandas 结合使用

在 Python 中，NumPy 和 Pandas 是两个常用的库，经常一起用于数据操作和分析。

import numpy as np
import pandas as pd

# 创建 NumPy 数组
data = np.array([[11, 12, 13], [14, 15, 16], [17, 18, 19]])

# 从 NumPy 数组创建数据框
df = pd.DataFrame(data, columns=['A', 'B', 'C'])

print("从 NumPy 数组创建数据框:")
print(df)

25.保存和加载数组

NumPy 中的保存和加载数组包含两个函数:numpy 库中的 save() 和 load()。以下代码演示了如何保存和加载数组。

# 保存到 .npy 文件
np.save('data.npy', arr)

# 从 .npy 文件加载
np.load('data.npy')