NumPy:Python数值计算的基础库

NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

安装与基础配置

我使用的是windows系统利用python自带的pip这个功能在cmd中输入pip install numpy等待一段时间即可。

Numpy中的数组类型，numpy在运算中数组运算优于列表list容器。

numpy中的ndarray是一个多维的数组对象：包含实际的数据，描述数据的元数据大部分的数组操作仅仅是修改原数组部分，不改变底层的实际数据。

我们可以直接将数组看作一种新的数据类型，就像list、tuple、dict一样，但数组中所有元素的类型必须是一致的，Python支持的数据类型有整型、浮点型以及复数型，但这些类型不足以满足科学计算的需求，因此NumPy中添加了许多其他的数据类型，如bool、inti、int64、float32、complex64等。同时，它也有许多其特有的属性和方法。

元数据主要是描述数据属性（property）的信息，用来支持如指示存储位置、历史数据、资源查找、文件记录等功能。其最本质、最抽象的定义为：data about data ，是一种广泛存在的现象，在许多领域有其具体的定义和应用。

import numpy as np将numpy重新命名为np

NumPy核心功能概览

数组创建方法

1.创建数组：np.array()：从列表、元组或其他可迭代对象创建数组。np.zeros()：创建一个指定形状的零数组。np.ones()：创建一个指定形状的全1数组。np.eye()：创建一个单位矩阵。np.random.random()：创建一个指定形状的随机数数组。np.linspace()：在指定范围内创建一组等间隔的数字。np.arange()：在指定范围内创建一组等间隔的数字。

数组操作方法

2.数组操作：np.reshape()：将数组重塑为指定形状。np.concatenate()：连接两个或多个数组。np.split()：将数组分割成多个子数组。np.transpose()：转置数组。np.sort()：对数组进行排序。np.argmax()：返回数组中最大值的索引。np.argmin()：返回数组中最小值的索引。

数学运算方法

3.数学运算：np.add()：对两个数组进行逐元素相加。np.subtract()：对两个数组进行逐元素相减。np.multiply()：对两个数组进行逐元素相乘。np.divide()：对两个数组进行逐元素相除。np.power()：将数组的每个元素提高到指定的幂。np.exp()：计算数组中每个元素的指数。np.log()：计算数组中每个元素的自然对数。

统计方法

4.统计方法：np.mean()：计算数组的平均值。np.std()：计算数组的标准差。np.var()：计算数组的方差。np.max()：返回数组中的最大值。np.min()：返回数组中的最小值。np.median()：计算数组的中位数。np.percentile()：计算数组的百分位数。

线性代数方法

5.线性代数：np.dot()：计算两个数组的点积。np.linalg.det()：计算矩阵的行列式。np.linalg.eig()：计算矩阵的特征值和特征向量。np.linalg.inv()：计算矩阵的逆。np.linalg.norm()：计算矩阵的范数。np.linalg.solve()：解线性方程组。

逻辑运算方法

6.逻辑运算：np.logical_and()：对两个数组进行逐元素逻辑与操作。np.logical_or()：对两个数组进行逐元素逻辑或操作。np.logical_not()：对数组进行逐元素逻辑非操作。np.where()：根据条件从两个数组中返回元素。

其他常用方法

7.其他方法：np.unique()：返回数组中的唯一元素。np.sum()：计算数组的总和。np.prod()：计算数组的乘积。np.any()：如果数组中有任何元素为True，则返回True。np.all()：如果数组中的所有元素都为True，则返回True。np.isnan()：对于数组中的每个NaN值返回True。np.isinf()：对于数组中的每个无穷大值返回True。hstack(tup)，参数是一个元组 vstack不同的是，vstack将数组进行纵向合并c = np.hstack((a, b))np.split(a, 2, axis=1)

NumPy与图形可视化

带上另外一个库可以看到图形：更直观了

import numpy as npimport matplotlib.pyplot as pltx = np.linspace(-5, 5, 256)y = np.sin(x**3)plt.plot(x, y)plt.show()

import matplotlib.pyplot as pltx_values = range(100)y_values = [((x / 100) - 0.5) ** 3for x in x_values]plt.plot(x_values, y_values)plt.title('Cubic Plot')plt.show()

与其他科学计算库的兼容性

NumPy可以与许多科学计算库兼容，一些包括：

• • SciPy（提供额外的数学函数和优化工具）
• • Matplotlib（用于创建可视化和绘图）
• • Pandas（用于数据操作和分析）
• • Scikit-learn（机器学习库）
• • TensorFlow（深度学习库）

使用NumPy创建了x数组作为自变量的值，用np.sin()函数计算y数组的相应的值，然后使用Matplotlib的plt.plot()函数将这些值绘制为线性图。最后，您使用 plt.show()来显示图形。所以，在这个例子中，NumPy和Matplotlib确实成功配合使用了。

矩阵运算与激活函数

矩阵运算方法