【一起学Python】第75天:NumPy核心——ndarray对象详解

📦 ndarray特性├── 多维性：支持1D、2D、3D...任意维度├── 高效性：连续内存存储，操作超快├── 功能丰富：大量内置函数└── 广播机制：自动扩展数组形状

import numpy as np# 从列表创建一维数组arr1 = np.array([1, 2, 3, 4])print("一维数组:", arr1)# 输出: [1 2 3 4]# 从嵌套列表创建二维数组arr2 = np.array([[1, 2, 3], [4, 5, 6]])print("二维数组:\n", arr2)# 输出:# [[1 2 3]#  [4 5 6]]

# 创建一个从0到9的数组arr3 = np.arange(10)print("arange数组:", arr3)# 输出: [0 1 2 3 4 5 6 7 8 9]# 创建从0到9的数组，步长为2arr4 = np.arange(0, 10, 2)print("步长为2:", arr4)# 输出: [0 2 4 6 8]

# 创建一个包含5个均匀分布的数的数组arr5 = np.linspace(0, 1, 5)print("linspace数组:", arr5)# 输出: [0.   0.25 0.5  0.75 1.  ]

# 创建全为0的数组（2行3列）arr6 = np.zeros((2, 3))print("全0数组:\n", arr6)# 输出:# [[0. 0. 0.]#  [0. 0. 0.]]# 创建全为1的数组arr7 = np.ones((2, 3))print("全1数组:\n", arr7)# 输出:# [[1. 1. 1.]#  [1. 1. 1.]]# 创建未初始化的数组（速度最快）arr8 = np.empty((2, 3))print("未初始化数组:\n", arr8)# 输出: 随机值

# 创建包含5个随机数的数组（0-1之间）arr9 = np.random.rand(5)print("随机数数组:", arr9)# 创建2x3的随机整数数组（0-10之间）arr10 = np.random.randint(0, 10, (2, 3))print("随机整数数组:\n", arr10)# 输出示例:# [[3 7 2]#  [9 1 5]]

arr = np.array([[1, 2, 3],                 [4, 5, 6]])# 访问第一行第二列的元素（索引从0开始）print("访问元素:", arr[0, 1])  # 输出: 2# 修改元素arr[0, 1] = 10print("修改后:\n", arr)# 输出:# [[ 1 10  3]#  [ 4  5  6]]# 访问整行print("第一行:", arr[0])# 输出: [ 1 10  3]# 访问整列print("第二列:", arr[:, 1])# 输出: [10  5]

arr = np.array([[1, 2, 3, 4, 5],                 [6, 7, 8, 9, 10]])# 基本切片：前两行和前两列sub_array = arr[:2, :2]print("切片:\n", sub_array)# 输出:# [[1 2]#  [6 7]]# 步长切片：每隔一个元素print("步长切片:", arr[0, ::2])# 输出: [1 3 5]# 反向切片print("反向:", arr[0, ::-1])# 输出: [5 4 3 2 1]

arr = np.array([[1, 2, 3],                 [4, 5, 6]])# 获取大于3的元素bool_idx = arr > 3print("布尔条件:\n", bool_idx)# 输出:# [[False False False]#  [ True  True  True]]print("大于3的元素:", arr[bool_idx])# 输出: [4 5 6]# 简写形式print("大于3的元素:", arr[arr > 3])# 输出: [4 5 6]

arr = np.array([[1, 2, 3],                 [4, 5, 6]])# 使用整数数组索引indices = np.array([0, 1])result = arr[indices, [1, 2]]print("花式索引:", result)# 输出: [2 6]# 解释：访问(0,1)和(1,2)的元素

import timeimport numpy as npsize = 1000000# Python列表py_list = list(range(size))start_time = time.time()py_list = [x * 2 for x in py_list]print("Python列表耗时:", time.time() - start_time)# NumPy数组np_array = np.arange(size)start_time = time.time()np_array = np_array * 2print("NumPy数组耗时:", time.time() - start_time)

# NumPy数组运算（简洁！）a = np.array([1, 2, 3])b = np.array([4, 5, 6])print("NumPy加法:", a + b)# 输出: [5 7 9]# Python列表运算（繁琐）list_a = [1, 2, 3]list_b = [4, 5, 6]print("Python列表加法:", [x + y for x, y in zip(list_a, list_b)])# 输出: [5, 7, 9]

┌─────────────────┬──────────────┬──────────────┐│     特性        │  Python列表  │ NumPy ndarray│├─────────────────┼──────────────┼──────────────┤│  数据类型       │   可混合     │   必须相同   ││  内存占用       │   较大       │   更小       ││  运算速度       │   较慢       │   快10-100倍 ││  数学运算       │   需循环     │   直接运算   ││  功能丰富度     │   基础       │   超丰富     │└─────────────────┴──────────────┴──────────────┘

import numpy as np# 基础题示例arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])matrix = np.ones((3, 3))# 进阶题示例arr2 = np.arange(0, 20, 2)arr3 = np.linspace(0, 1, 10)# 挑战题示例matrix = np.random.randint(0, 100, (5, 5))row_means = np.mean(matrix, axis=1)matrix[matrix < 50] = 0

第74天：NumPy安装 ✓第75天：ndarray对象 ✓ ← 你今天在这里第76天：数据类型第77天：数组属性第78天：创建数组第79天：切片和索引...