NumPy 教程

NumPy 首页 NumPy 简介 NumPy 环境

数组

NumPy Ndarray 对象 NumPy 数据类型

创建和操作数组

NumPy 数组创建例程 NumPy 数组操作 NumPy 基于现有数据创建数组 NumPy 基于数值范围创建数组 NumPy 数组迭代 NumPy 重塑数组 NumPy 连接数组 NumPy 堆叠数组 NumPy 拆分数组 NumPy 展平数组 NumPy 转置数组

索引与切片

NumPy 索引 &切片 NumPy 索引 NumPy 切片 NumPy 高级索引 NumPy 高级索引 NumPy 字段访问 NumPy 使用布尔数组切片

数组属性与操作

NumPy 数组属性 NumPy 数组形状 NumPy 数组大小 NumPy 数组步长 NumPy 数组元素大小 NumPy 广播 NumPy 算术运算 NumPy 数组加法 NumPy 数组减法 NumPy 数组乘法 NumPy 数组除法

高级数组运算

NumPy 交换数组的轴 NumPy 字节交换 NumPy 副本和视图 NumPy 逐元素数组比较 NumPy 过滤数组 NumPy 连接数组 NumPy 排序、搜索& 计数函数 NumPy 搜索数组 NumPy 数组并集 NumPy 查找唯一行 NumPy 创建日期时间数组 NumPy 二元运算符 NumPy 字符串函数 NumPy 矩阵库 NumPy 线性代数 NumPy Matplotlib NumPy 使用 Matplotlib 绘制直方图

排序和高级操作

NumPy 数组排序 NumPy 沿轴排序 NumPy 使用花式索引进行排序 NumPy 结构化数组 NumPy 创建结构化数组 NumPy 操作结构化数组 NumPy 记录数组 NumPy 加载数组 NumPy 保存数组 NumPy 将值附加到数组 NumPy 交换列数组 NumPy 将轴插入数组

处理缺失数据

NumPy 处理缺失数据 NumPy 识别缺失值 NumPy 移除缺失数据 NumPy 插补缺失值数据

性能优化

NumPy 使用数组进行性能优化

线性代数

NumPy 线性代数 NumPy 矩阵库 NumPy 矩阵加法 NumPy 矩阵减法 NumPy 矩阵乘法 NumPy 逐元素矩阵运算 NumPy 点积 NumPy 矩阵求逆 NumPy 行列式计算 NumPy 特征值 NumPy 特征向量 NumPy 奇异值分解 NumPy 求解线性方程 NumPy 矩阵范数

元素级矩阵运算

NumPy 总和 NumPy 平均值 NumPy 中位数 NumPy 最小值 NumPy 最大值

集合运算

NumPy 唯一元素 NumPy 交集 NumPy 并集 NumPy 差集

随机数生成

NumPy 随机数生成器 NumPy 排列和重排 NumPy 均匀分布 NumPy 正态分布 NumPy 二项分布 NumPy 泊松分布 NumPy 指数分布 NumPy 瑞利分布 NumPy 逻辑分布 NumPy 帕累托分布 NumPy 使用 Seaborn 可视化分布 NumPy 多项分布 NumPy 卡方分布 NumPy Zipf 分布

文件输入 &输出

NumPy 使用 NumPy 进行 I/O NumPy 从文件读取数据 NumPy 将数据写入文件 NumPy 支持的文件格式

数学函数

NumPy 数学函数 NumPy 三角函数 NumPy 指数函数 NumPy 对数函数 NumPy 双曲函数 NumPy 舍入函数

傅里叶变换

NumPy 离散傅里叶变换 (DFT) NumPy 快速傅里叶变换 (FFT) NumPy 逆傅里叶变换 NumPy 傅里叶级数和变换 NumPy 信号处理应用 NumPy 卷积

多项式

NumPy 多项式表示 NumPy 多项式运算 NumPy 求多项式的根 NumPy 求多项式的根

统计

NumPy 统计函数 NumPy 描述性统计

日期时间函数

NumPy 日期和时间基础知识 NumPy 表示日期和时间 NumPy 日期和时间运算 NumPy 使用日期时间进行索引 NumPy 时区处理 NumPy 时间序列分析 NumPy 处理时间增量 NumPy 闰秒处理 NumPy 矢量化日期时间运算

ufunc

NumPy ufunc 简介 NumPy 创建通用函数 (ufunc) NumPy 算术通用函数 (ufunc) NumPy 小数舍入 ufunc NumPy 对数通用函数(ufunc) NumPy 求和通用函数 (ufunc) NumPy 乘积通用函数 (ufunc) NumPy 差分通用函数 (ufunc) NumPy 寻找最小公倍数 (LCM) NumPy 寻找最大公约数 (GCD) NumPy 三角函数 (ufunc) NumPy 双曲线 (ufunc) NumPy 集合运算(ufunc)

实用资源

NumPy 快速指南 NumPy 备忘单


NumPy - 环境

使用 pip 安装 NumPy

NumPy 模块不包含在标准 Python 发行版中。但是,可以使用 Python 软件包安装程序 pip 轻松安装 -

pip install numpy

使用二进制软件包

启用 NumPy 的最佳方法是使用针对您的操作系统预先构建的二进制软件包。这些软件包包含完整的 SciPy 技术栈,包括 NumPy、SciPy、Matplotlib、IPython、SymPy 和 nose 软件包,以及核心 Python 软件包。

Windows

  • Anaconda 是一个免费的 Python 发行版,包含完整的 SciPy 技术栈。它适用于 Windows、Linux 和 macOS。Anaconda 简化了软件包管理,并附带一个名为 conda 的便捷软件包安装程序。
  • Canopy 是另一个发行版选项,既有免费版,也有商业版。与 Anaconda 类似,Canopy 为 Windows、Linux 和 macOS 平台提供了全面的 SciPy 技术栈。
  • Python (x,y) 是一个适用于 Windows 操作系统的免费 Python 发行版。它包含 SciPy 技术栈和 Spyder IDE,非常适合在 Windows 上执行科学计算和数据分析任务。

Linux

在 Linux 发行版中,通常使用包管理器来安装 SciPy 技术栈的组件。以下是一些常见发行版的示例 -

  • 要在 Ubuntu 上安装 Numpy,请执行以下操作 -

    sudo apt-get install python-numpy
    python-scipy python-matplotlibipythonipythonnotebook python-pandas
    python-sympy python-nose
    
  • 要在 Fedora 上安装 Numpy,请执行以下操作 -

    sudo yum install numpyscipy python-matplotlibipython
    python-pandas sympy python-nose atlas-devel
    

从源代码构建 NumPy

对于高级用户或需要特定配置,NumPy 可以从源代码构建。确保您已满足必要的先决条件 -

  • 核心 Python(2.6.x、2.7.x 和 3.2.x 及以上版本),并启用 distutils。
  • 已启用 zlib 模块。
  • GNU gcc(4.2 及以上版本)C 编译器。

要从源代码构建并安装 NumPy,请运行以下命令 -

Python setup.py install

验证安装

要验证 NumPy 是否已正确安装,请打开 Python 提示符并尝试导入它 -

import numpy

如果未安装,将显示以下错误消息 -

Traceback (most recent call last): 
   File "<pyshell#0>", line 1, in <module> 
      import numpy 
ImportError: No module named 'numpy'

或者,您可以使用标准别名导入 NumPy 包 -

import numpy as np

如果 NumPy 已正确安装,则不会显示任何错误消息。否则,将出现 ImportError 错误,指示未找到 NumPy。

检查 NumPy 版本

要检查系统中安装的 NumPy 版本,您可以直接使用 Python,无论是从命令行还是在脚本中。具体操作方法如下:-

使用 Python 命令行或脚本

  • 打开命令行界面 (CLI) 或终端。
  • 根据系统配置,输入 python 或 python3 启动 Python。
  • 使用以下命令导入 NumPy 并检查其版本:-
import numpy as np
print(np.__version__)

上述命令将打印系统中安装的 NumPy 版本。

在脚本中检查 NumPy 版本

或者,您可以创建一个包含以下内容的 Python 脚本(例如,check_numpy_version.py)-

import numpy as np
print(f"NumPy version: {np.__version__}")

保存文件,然后从命令行运行 -

python check_numpy_version.py

此脚本将输出您系统上安装的 NumPy 版本。