Python 商务数据分析—— NumPy 学习笔记Ⅰ

一、NumPy 简介

1.1 NumPy 特性

• 高性能科学计算库：专为处理多维数组设计，底层用 C 语言实现，运算速度远超 Python 原生列表。

• 矢量运算：支持批量数据操作，避免显式循环，代码更简洁高效。

• 广播机制：自动处理不同形状数组间的运算。

• 丰富函数库：包含线性代数、傅里叶变换、随机数等功能。

1.2 应用场景

• 数据分析：处理大规模结构化数据。

• 机器学习：作为 TensorFlow/PyTorch 等框架的底层支持。

• 科学计算：物理模拟、统计学分析。

• 图像处理：多维数组表示像素数据。

1.3 安装与导入

pip install numpy

import numpy as np

二、NumPy 基础 —— 数组对象

2.1 数组与列表对比

2.2 创建数组的四种方式

代码示例

通过np.array创建数组

import numpy as np
a = np.array([1, 2, 3, 4])
print(a)  # 输出结果: [1 2 3 4]

通过np.arange创建数组

import numpy as np
a = np.arange(0, 10, 2)  # 创建0-10,步数为2的数组
print(a)  # 输出结果: [0 2 4 6 8]

通过np.random.random创建数组

import numpy as np
a = np.random.random((2, 3))
print(a)  # 输出类似于: [[0.04631855 0.21257259 0.73199394]
                     #          [0.59865848 0.15601864 0.15599452]]

通过特殊函数创建数组

import numpy as np
array_zeros = np.zeros((3, 3))  # 3行3列全零数组
array_ones = np.ones((4, 4))   # 4行4列全一数组
array_full = np.full((2, 3), 9)  # 值为9的2行3列数组
array_eye = np.eye(4)  # 生成一个在斜方形上元素为1,其他元素都为0的4行4列矩阵
print(array_zeros)  # 输出: [[0. 0. 0.]
                     #               [0. 0. 0.]
                     #               [0. 0. 0.]]
print(array_ones)  # 输出: [[1. 1. 1. 1.]
                     #               [1. 1. 1. 1.]
                     #               [1. 1. 1. 1.]
                     #               [1. 1. 1. 1.]]
print(array_full)  # 输出: [[9 9 9]
                     #                [9 9 9]]
print(array_eye)  # 输出: [[1. 0. 0. 0.]
                     #               [0. 1. 0. 0.]
                     #               [0. 0. 1. 0.]
                     #               [0. 0. 0. 1.]]

三、数组数据类型

3.1 核心数据类型

3.2 类型操作

查询数据类型

import numpy as np

class Person:  # 定义Person类
    def __init__(self, name, age):
        self.name = name
        self.age = age

zs = Person('张三', 18)  # 产生对象
ls = Person('李四', 20)
d = np.array([zs, ls])
print(d)  # 输出: [__main__.Person object at 0x00000176CB4F2208 __main__.Person object at 0x00000176CB4F2288]
print(d.dtype)  # 输出: dtype('O')

创建数组指定数据类型

import numpy as np
a = np.array([1, 2, 3, 4, 5], dtype='int32')  # 使用dtype指定创建数组的数据类型
print(a)  # 输出结果: [1 2 3 4 5]
print(a.dtype)  # 输出: int32

修改数据类型

import numpy as np
a = np.array([1, 2, 3, 4, 5])
f = a.astype('float16')  # 使用astype改变数组的数据类型
print(f.dtype)  # 输出结果: float16

四、多维数组操作

4.1 维度与形状

4.2 基本操作

数组维度查询

import numpy as np
a1 = np.array([1, 2, 3])
a2 = np.array([[1, 2, 3], [4, 5, 6]])
a3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
print(a1.ndim)  # 输出: 1
print(a2.ndim)  # 输出: 2
print(a3.ndim)  # 输出: 3

数组形状查询

import numpy as np
a1 = np.array([1, 2, 3])
a2 = np.array([[1, 2, 3], [4, 5, 6]])
a3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
print(a1.shape)  # 输出: (3,)
print(a2.shape)  # 输出: (2, 3)
print(a3.shape)  # 输出: (2, 2, 3)

修改数组形状

import numpy as np
a1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
a2 = a1.reshape((2, 6))  # reshape是将数组转换成指定的形状，然后返回转换后的结果，原数组的形状不会发生改变
print(a2)  # 输出: [[ 1  2  3  4  5  6]
             #          [ 7  8  9 10 11 12]]
print(a1.shape)  # 输出: (4, 3)
a1.resize((4, 3))  # resize是将数组转换成指定的形状，会直接修改数组本身，并且不会返回任何值
print(a1)  # 输出: [[1 2 3]
            #          [4 5 6]
            #          [7 8 9]
            #          [10 11 12]]

通过特殊函数创建数组

import numpy as np
array_zeros = np.zeros((3, 3))  # 3行3列全零数组
array_ones = np.ones((4, 4))   # 4行4列全一数组
array_full = np.full((2, 3), 9)  # 值为9的2行3列数组
array_eye = np.eye(4)  # 生成一个在斜方形上元素为1,其他元素都为0的4行4列矩阵
print(array_zeros)  # 输出: [[0. 0. 0.]
                     #               [0. 0. 0.]
                     #               [0. 0. 0.]]
print(array_ones)  # 输出: [[1. 1. 1. 1.]
                     #               [1. 1. 1. 1.]
                     #               [1. 1. 1. 1.]
                     #               [1. 1. 1. 1.]]
print(array_full)  # 输出: [[9 9 9]
                     #                [9 9 9]]
print(array_eye)  # 输出: [[1. 0. 0. 0.]
                     #               [0. 1. 0. 0.]
                     #               [0. 0. 1. 0.]
                     #               [0. 0. 0. 1.]]

4.3 素组索引

下标索引

import numpy as np
a = np.arange(6)  # 一维数组
print(a)  # 输出: [0 1 2 3 4 5]
print(a[2])  # 输出: 2
print(a[-2])  # 输出: 4（从后往前数第2个）

a = np.arange(9).reshape(3, 3)  # 二维数组
print(a)  # 输出: [[0 1 2]
           #          [3 4 5]
           #          [6 7 8]]
print(a[0][1])  # 输出: 1
print(a[0, 1])  # 输出: 1

切片索引

import numpy as np
a = np.arange(6)  # 一维数组
print(a)  # 输出: [0 1 2 3 4 5]
print(a[1:5])  # 输出: [1 2 3 4]
print(a[1:5:2])  # 输出: [1 3]
print(a[::2])  # 输出: [0 2 4]
print(a[::-1])  # 输出: [5 4 3 2 1 0]

a = np.arange(9).reshape(3, 3)  # 二维数组
print(a)  # 输出: [[0 1 2]
           #          [3 4 5]
           #          [6 7 8]]
print(a[1:3, 1:2])  # 输出: [[4]
                     #               [7]]
print(a[1, :])  # 输出: [3 4 5]
print(a[1, ...])  # 输出: [3 4 5]
print(a[:, 1])  # 输出: [1 4 7]

花式索引

import numpy as np
a = np.arange(6)  # 一维数组
print(a)  # 输出: [0 1 2 3 4 5]
print(a[[1, 2, 5]])  # 输出: [1 2 5]
print(a[np.array([(0, 1, 3), (1, 4, 5)])])  # 输出: [[0 1 3]
                                                #                [1 4 5]]

a = np.arange(9).reshape(3, 3)  # 二维数组
print(a)  # 输出: [[0 1 2]
           #          [3 4 5]
           #          [6 7 8]]
print(a[[1, 0]])  # 输出: [[3 4 5]
                   #                [0 1 2]]
print(a[[0, 2], 1])  # 输出: [1 7]
print(a[np.ix_([0, 1], [0, 1])])  # 输出: [[0 1]
                                   #                [3 4]]

布尔索引

import numpy as np
a = np.arange(6)  # 一维数组
print(a)  # 输出: [0 1 2 3 4 5]
print(a > 3)  # 输出: [False False False False  True  True]
print(a[a > 3])  # 输出: [4 5]

a = np.arange(9).reshape(3, 3)  # 二维数组
print(a)  # 输出: [[0 1 2]
           #          [3 4 5]
           #          [6 7 8]]
print(a > 3)  # 输出: [[False False False]
               #               [False  True  True]
               #               [ True  True  True]]
print(a[a > 3])  # 输出: [4 5 6 7 8]