Numpy总结

**NumPy总结**

NumPy（Numerical Python）是一种用于科学计算和数据分析的Python库。它提供了高性能、多维数组和矩阵运算功能，成为Python数据分析领域的核心组件。

### NumPy的基本概念#### 数组和向量在NumPy中，数组是最基本的数据结构。一个数组可以看作是一维或多维的向量，每个元素都有相同的类型。例如：

import numpy as np# 创建一个一维数组arr1 = np.array([1,2,3,4,5])
print(arr1) # [12345]

# 创建一个二维数组arr2 = np.array([[1,2], [3,4]])
print(arr2) # [[12]
 # [34]]

#### 数组的属性和方法NumPy数组有许多属性和方法，可以用来操作和分析数据。例如：

import numpy as np# 创建一个一维数组arr = np.array([1,2,3,4,5])

# 获取数组的大小print(arr.size) #5# 获取数组的形状print(arr.shape) # (5,)

# 获取数组的类型print(arr.dtype) # int64# 获取数组的元素个数print(len(arr)) #5# 将数组转换为列表arr_list = arr.tolist()
print(arr_list) # [1,2,3,4,5]

#### 数组运算NumPy提供了许多用于数组运算的函数，例如：

import numpy as np# 创建两个一维数组arr1 = np.array([1,2,3])
arr2 = np.array([4,5,6])

# 将两个数组相加print(arr1 + arr2) # [579]

# 将两个数组相乘print(arr1 * arr2) # [41018]

# 将一个数组除以另一个数组print(arr1 / arr2) # [0.250.40.5 ]

#### 数组函数NumPy提供了许多用于数组操作的函数，例如：

import numpy as np# 创建一个一维数组arr = np.array([1,2,3,4,5])

# 获取数组的最大值和最小值print(np.max(arr)) #5print(np.min(arr)) #1# 获取数组的平均值print(np.mean(arr)) #3.0# 获取数组的标准差print(np.std(arr)) #1.4142135623730951

### NumPy中的矩阵运算NumPy提供了许多用于矩阵运算的函数，例如：

import numpy as np# 创建两个二维数组arr1 = np.array([[1,2], [3,4]])
arr2 = np.array([[5,6], [7,8]])

# 将两个矩阵相加print(arr1 + arr2) # [[68]
 # [1012]]

# 将两个矩阵相乘print(np.dot(arr1, arr2)) # [[1922]
 # [4350]]

### NumPy中的线性代数运算NumPy提供了许多用于线性代数运算的函数，例如：

import numpy as np# 创建一个二维数组arr = np.array([[1,2], [3,4]])

# 获取矩阵的行列式print(np.linalg.det(arr)) # -2.0# 获取矩阵的逆print(np.linalg.inv(arr)) # [[-2.1. ]
 # [1.5 -0.5]]

# 获取矩阵的迹print(np.trace(arr)) #5

### NumPy中的随机数生成NumPy提供了许多用于随机数生成的函数，例如：

import numpy as np#生成一个一维数组arr = np.random.rand(5)
print(arr) # [0.548508550.715189370.602763390.891231450.32988215]

#生成一个二维数组arr = np.random.rand(2,3)
print(arr) # [[0.658106850.095302190.47614167]
 # [0.934117550.572391390.11512445]]

### NumPy中的数据类型NumPy支持多种数据类型，例如：

import numpy as np# 创建一个一维数组arr = np.array([1,2,3])

# 将数组的数据类型设置为int8arr = arr.astype(np.int8)
print(arr.dtype) # int8# 将数组的数据类型设置为float64arr = arr.astype(np.float64)
print(arr.dtype) # float64

### NumPy中的文件输入输出NumPy支持多种文件格式，例如：

import numpy as np# 创建一个一维数组arr = np.array([1,2,3])

# 将数组写入到txt文件中np.savetxt('data.txt', arr)

# 将数组读取回内存中arr_read = np.loadtxt('data.txt')
print(arr_read) # [1.2.3.]

# 将数组写入到npy文件中np.save('data.npy', arr)

# 将数组读取回内存中arr_read = np.load('data.npy')
print(arr_read) # [123]

### NumPy中的多维数组NumPy支持多维数组，例如：

import numpy as np# 创建一个三维数组arr = np.array([[[1,2], [3,4]], [[5,6], [7,8]]])
print(arr) # [[[12]
 # [34]]
 # [[56]
 # [78]]]

# 获取数组的大小print(arr.size) #8# 获取数组的形状print(arr.shape) # (2,2,2)

# 将数组转换为列表arr_list = arr.tolist()
print(arr_list) # [[[1,2], [3,4]], [[5,6], [7,8]]]

### NumPy中的矩阵乘法NumPy支持矩阵乘法，例如：

import numpy as np# 创建两个二维数组arr1 = np.array([[1,2], [3,4]])
arr2 = np.array([[5,6], [7,8]])

# 将两个矩阵相乘print(np.dot(arr1, arr2)) # [[1922]
 # [4350]]

### NumPy中的线性代数运算NumPy支持多种线性代数运算，例如：

import numpy as np# 创建一个二维数组arr = np.array([[1,2], [3,4]])

# 获取矩阵的行列式print(np.linalg.det(arr)) # -2.0# 获取矩阵的逆print(np.linalg.inv(arr)) # [[-2.1. ]
 # [1.5 -0.5]]

# 获取矩阵的迹print(np.trace(arr)) #5

### NumPy中的随机数生成NumPy支持多种随机数生成函数，例如：

import numpy as np#生成一个一维数组arr = np.random.rand(5)
print(arr) # [0.548508550.715189370.602763390.891231450.32988215]

#生成一个二维数组arr = np.random.rand(2,3)
print(arr) # [[0.658106850.095302190.47614167]
 # [0.934117550.572391390.11512445]]

### NumPy中的数据类型NumPy支持多种数据类型，例如：

import numpy as np# 创建一个一维数组arr = np.array([1,2,3])

# 将数组的数据类型设置为int8arr = arr.astype(np.int8)
print(arr.dtype) # int8# 将数组的数据类型设置为float64arr = arr.astype(np.float64)
print(arr.dtype) # float64

### NumPy中的文件