NumPy 是 Python 中用于科学计算的一个非常强大的库。它提供了多维数组对象、各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种函数。今天，我们就来一起学习 NumPy 的 12 个核心功能，帮助你在科学计算中更加得心应手。
1. 创建数组
NumPy 最基本的功能之一就是创建数组。你可以使用 numpy.array 函数从列表或其他序列类型的数据创建数组。
import numpy as np
# 从列表创建一维数组
a = np.array([1, 2, 3, 4])
print(a) # 输出: [1 2 3 4]
# 从嵌套列表创建二维数组
b = np.array([[1, 2], [3, 4]])
print(b)
# 输出:
# [[1 2]
# [3 4]]
2. 数组的形状和大小
了解数组的形状和大小对于处理数据非常重要。你可以使用 shape 属性来获取数组的形状，使用 size 属性来获取数组中的元素总数。
# 获取数组的形状
print(a.shape) # 输出: (4,)
print(b.shape) # 输出: (2, 2)
# 获取数组的大小
print(a.size) # 输出: 4
print(b.size) # 输出: 4
3. 数组的重塑
有时候你需要改变数组的形状，这时候可以使用 reshape 方法。
# 重塑数组
c = a.reshape(2, 2)
print(c)
# 输出:
# [[1 2]
# [3 4]]
# 验证形状是否改变
print(c.shape) # 输出: (2, 2)
4. 数组的索引和切片
NumPy 数组支持多种索引和切片方式，类似于 Python 列表，但更强大。
# 一维数组的索引
print(a[0]) # 输出: 1
# 一维数组的切片
print(a[1:3]) # 输出: [2 3]
# 二维数组的索引
print(b[0, 1]) # 输出: 2
# 二维数组的切片
print(b[0:2, 1]) # 输出: [2 4]
5. 数组的运算
NumPy 支持多种数组运算，包括加法、减法、乘法和除法等。
# 数组加法
d = a + a
print(d) # 输出: [2 4 6 8]
# 数组乘法
e = a * 2
print(e) # 输出: [2 4 6 8]
# 数组点积
f = np.dot(a, b)
print(f) # 输出: [14 32]
6. 布尔索引
布尔索引是一种非常强大的工具，可以用来根据条件选择数组中的元素。
# 布尔索引
g = a > 2
print(g) # 输出: [False False True True]
# 使用布尔索引选择元素
h = a[g]
print(h) # 输出: [3 4]
7. 数组的排序
NumPy 提供了多种排序方法，例如 sort 和 argsort。
# 排序数组
i = np.sort(a)
print(i) # 输出: [1 2 3 4]
# 获取排序后的索引
j = np.argsort(a)
print(j) # 输出: [0 1 2 3]
8. 数组的统计函数
NumPy 提供了许多统计函数，如 mean、median、std 等。
# 计算平均值
k = np.mean(a)
print(k) # 输出: 2.5
# 计算中位数
l = np.median(a)
print(l) # 输出: 2.5
# 计算标准差
m = np.std(a)
print(m) # 输出: 1.118033988749895
9. 数组的广播
广播是 NumPy 中一个非常重要的概念，它允许不同形状的数组进行运算。
# 广播示例
n = np.array([[1, 2], [3, 4]])
o = np.array([10, 20])
p = n + o
print(p)
# 输出:
# [[11 22]
# [13 24]]
10. 数组的合并和拆分
NumPy 提供了多种方法来合并和拆分数组，如 concatenate、vstack、hstack 等。
# 合并数组
q = np.array([5, 6])
r = np.concatenate((a, q))
print(r) # 输出: [1 2 3 4 5 6]
# 拆分数组
s = np.split(r, 2)
print(s)
# 输出:
# [array([1, 2, 3]), array([4, 5, 6])]
11. 数组的随机数生成
NumPy 提供了多种生成随机数的方法，如 random.rand、random.randint 等。
# 生成随机数组
t = np.random.rand(3, 3)
print(t)
# 输出:
# [[0.12345678 0.98765432 0.54321098]
# [0.65432109 0.78901234 0.23456789]
# [0.34567890 0.45678901 0.56789012]]
# 生成随机整数数组
u = np.random.randint(0, 10, size=(3, 3))
print(u)
# 输出:
# [[7 2 5]
# [9 4 1]
# [8 3 6]]
12. 数组的线性代数运算
NumPy 提供了丰富的线性代数运算函数，如 dot、inv、det 等。
# 计算矩阵的逆
v = np.array([[1, 2], [3, 4]])
w = np.linalg.inv(v)
print(w)
# 输出:
# [[-2. 1. ]
# [ 1.5 -0.5]]
# 计算行列式
x = np.linalg.det(v)
print(x) # 输出: -2.0
实战案例：图像处理
假设我们有一个灰度图像，存储为一个二维数组。我们需要将图像中的所有像素值归一化到 0 到 1 之间。
# 生成一个模拟的灰度图像
image = np.random.randint(0, 256, size=(100, 100))
# 归一化图像
normalized_image = image / 255.0
# 打印归一化后的图像
print(normalized_image)
在这个案例中，我们使用了 NumPy 的数组运算和广播功能，将图像中的所有像素值归一化到 0 到 1 之间。这在图像处理中是一个常见的预处理步骤。
总结
本文介绍了 NumPy 的 12 个核心功能，包括创建数组、数组的形状和大小、数组的重塑、索引和切片、数组的运算、布尔索引、排序、统计函数、广播、合并和拆分、随机数生成以及线性代数运算。通过这些功能，你可以在科学计算中更加高效地处理数据。
好了，今天的分享就到这里了，我们下期见。如果本文对你有帮助，请动动你可爱的小手指点赞、转发、在看吧！
付费合集推荐
文末福利
公众号消息窗口回复“编程资料”，获取Python编程、人工智能、爬虫等100+本精品电子书。
