当前位置: 首页 > article >正文

NumPy 数组操作:从入门到精通

引言

随着大数据时代的到来,如何高效地存储、处理大量数据成为了一个亟待解决的问题。传统的Python列表虽然灵活,但在面对大规模数据集时显得力不从心。NumPy正是在这种背景下应运而生,它提供了一种高效的数据结构——数组(Array),能够以更低的空间开销存储相同数量的数据,并且支持向量化运算,极大地提升了数据处理速度。无论是进行科学计算、数据分析还是机器学习模型训练,NumPy都是不可或缺的工具之一。

基础语法介绍

数组创建

  • numpy.array(): 最常用的数组创建方式,可以将列表或其他序列转换为数组。
  • numpy.zeros(), numpy.ones(), numpy.empty(): 创建特定形状的数组,分别初始化为0、1或未初始化值。
  • numpy.arange(), numpy.linspace(), numpy.logspace(): 生成等差数列、等比数列或对数等比数列。
import numpy as np

# 从列表创建数组
a = np.array([1, 2, 3])
print(a)  # 输出: [1 2 3]

# 创建零数组
b = np.zeros((2, 3))
print(b)
# 输出:
# [[0. 0. 0.]
#  [0. 0. 0.]]

# 创建等差数列
c = np.arange(1, 10, 2)
print(c)  # 输出: [1 3 5 7 9]

数组索引与切片

  • 单一元素访问:arr[index]
  • 多维数组索引:arr[row, column]
  • 切片操作:arr[start:end:step]
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 1])  # 输出: 2
print(arr[1, :])  # 输出: [4 5 6]

数组运算

  • 算术运算:加(+), 减(-), 乘(*), 除(/), 指数(**), 取模(%)
  • 布尔运算:与(&), 或(|), 非(~)
  • 广播机制:允许不同形状的数组之间进行运算
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])

print(x + y)  # 输出: [5 7 9]
print(x * y)  # 输出: [ 4 10 18]

基础实例

假设我们需要对一个包含温度记录的数组进行处理,将其从摄氏度转换为华氏度。

celsius_temps = np.array([-20, -15, 0, 5, 10, 15, 20])
fahrenheit_temps = celsius_temps * (9 / 5) + 32
print(fahrenheit_temps)
# 输出: [-4.  5. 32. 41. 50. 59. 68.]

进阶实例

接下来,我们尝试使用NumPy处理一个稍微复杂些的问题:给定两个不同长度的数组,如何找到它们之间的交集?

a = np.array([1, 2, 3, 4, 5])
b = np.array([4, 5, 6, 7, 8])

intersect = np.intersect1d(a, b)
print(intersect)  # 输出: [4 5]

此外,NumPy还提供了丰富的函数来处理数组的排序、统计分析等功能,例如np.sort()np.mean()np.median()等,可以帮助我们更好地理解数据分布特征。

实战案例

在图像处理领域,NumPy经常被用来读取、编辑图像文件。下面是一个简单的例子,演示如何利用NumPy读取一张图片,并将其转换为灰度图。

from PIL import Image
import numpy as np

img = Image.open('example.jpg')
img_array = np.array(img)

gray_img_array = np.dot(img_array[...,:3], [0.299, 0.587, 0.114]).astype(np.uint8)
gray_img = Image.fromarray(gray_img_array)
gray_img.save('gray_example.jpg')

通过上述代码,我们首先使用PIL库打开图片文件,然后将其转换为NumPy数组形式。接着,利用矩阵乘法计算每个像素点的灰度值,并最终保存为新的图像文件。

扩展讨论

除了上述提到的基础知识外,NumPy还有许多高级功能等待着大家去发现,比如随机数生成、线性代数运算、傅里叶变换等。掌握这些技能将使你在处理更复杂数据时游刃有余。同时,NumPy与SciPy、Pandas等其他科学计算库有着紧密的联系,共同构成了Python生态系统中不可或缺的一部分


http://www.kler.cn/a/355386.html

相关文章:

  • Rasa框架的优点和缺点
  • 重温设计模式--单例模式
  • git clone必须使用sudo否则失败 git推送错误想再次编辑和推送
  • 绕组识别标签规范
  • Java代码覆盖率super-jacoco
  • Debian 12 安装配置 fail2ban 保护 SSH 访问
  • Ping百度,出现“ping:baidu.com: Temporary failure in name resolution“解决方案
  • 前端开发攻略---使用css实现滚动吸附效果
  • tortoisegit简单用法
  • 图像识别技术的多领域应用:从医疗到安防
  • 【LeetCode 88. 合并两个有序数组】 java实现
  • 无人机集群路径规划:5种优化算法(SFOA、APO、GOOSE、CO、PIO)求解无人机集群路径规划,提供MATLAB代码
  • 操作系统学习笔记-1.1操作系统的基本概念
  • 抖音大模型面试经历分享
  • docker搭建 Rancher开源的 Kubernetes管理平台
  • C语言中的文件操作:从基础到深入底层原理
  • Blob 学习指南:从零开始学习 JavaScript Blob 对象的使用
  • Ubuntu 安装 nginx
  • 【RS】GEE(Python):基础知识与环境搭建
  • 第二十三篇——解析几何:用代数的方法解决更难的几何题
  • C++AVL树的介绍和实现
  • ROS2 通信三大件之动作 -- Action
  • Oracle漏洞修复 19.3 补丁包 升级为19.22
  • React路由 基本使用 嵌套路由 动态路由 获取路由参数 异步路由 根据配置文件来生成路由
  • 反向传播算法(Backpropagation)
  • Vulnhub打靶-admx-new