歡迎來到Python數(shù)據(jù)分析的世界！對(duì)于初學(xué)者來說，NumPy是你的第一站，它是Python科學(xué)計(jì)算的基石，特別是當(dāng)你想要處理數(shù)組和進(jìn)行大規(guī)模數(shù)據(jù)操作時(shí)。本文專為那些希望深入了解并掌握NumPy核心功能的數(shù)據(jù)分析新手設(shè)計(jì)。我們將通過10個(gè)實(shí)用的應(yīng)用示例，帶你從基礎(chǔ)操作到一些高級(jí)技巧，讓你的數(shù)據(jù)分析之旅更加順暢。

1. 數(shù)組創(chuàng)建與基本操作

應(yīng)用示例：

創(chuàng)建數(shù)組:

import numpy as np
arr = np.array([1, 2, 3, 4])
print("簡(jiǎn)單數(shù)組:", arr)

這段代碼創(chuàng)建了一個(gè)一維數(shù)組，并打印出來。

解釋：np.array()是創(chuàng)建NumPy數(shù)組的基本函數(shù)，它接受列表、元組等作為輸入。

2. 維度變換

改變形狀:

arr_2d = arr.reshape(2, 2)
print("二維數(shù)組:", arr_2d)

通過reshape，我們可以不改變數(shù)據(jù)的情況下，調(diào)整數(shù)組的形狀。

3. 數(shù)學(xué)運(yùn)算

加法與乘法:

arr_add = arr + 10
arr_mult = arr * 2
print("加10:", arr_add, "\n乘2:", arr_mult)

數(shù)學(xué)運(yùn)算在NumPy中可以直接對(duì)數(shù)組操作，非常高效。

4. 統(tǒng)計(jì)分析

求平均值與最大值:

mean_val = np.mean(arr)
max_val = np.max(arr)
print("平均值:", mean_val, "最大值:", max_val)

np.mean()和np.max()用于快速統(tǒng)計(jì)分析。

5. 布爾索引

篩選特定值:

bool_arr = arr > 2
print("大于2的索引:", bool_arr)
filtered_arr = arr[bool_arr]
print("篩選結(jié)果:", filtered_arr)

布爾索引允許根據(jù)條件選擇數(shù)組元素。

6. 隨機(jī)數(shù)生成

生成隨機(jī)數(shù)組:

random_arr = np.random.rand(3, 3)
print("3x3隨機(jī)數(shù)組:", random_arr)

np.random.rand()用于生成指定形狀的隨機(jī)數(shù)矩陣。

7. 線性代數(shù)操作

矩陣乘法:

mat1 = np.array([[1, 2], [3, 4]])
mat2 = np.array([[5, 6], [7, 8]])
product = np.dot(mat1, mat2)
print("矩陣乘法結(jié)果:", product)

np.dot()進(jìn)行矩陣乘法，是機(jī)器學(xué)習(xí)中的基礎(chǔ)操作。

8. 廣播機(jī)制

不同形狀數(shù)組運(yùn)算:

broad_arr = arr + np.array([10, 10])
print("廣播機(jī)制結(jié)果:", broad_arr)

NumPy的廣播機(jī)制允許不同形狀的數(shù)組進(jìn)行運(yùn)算。

9. 數(shù)據(jù)排序

排序數(shù)組:

sorted_arr = np.sort(arr)
print("排序后的數(shù)組:", sorted_arr)

np.sort()按升序排序數(shù)組。

10. 文件讀寫

保存與加載數(shù)組:

np.save('my_array.npy', arr)
loaded_arr = np.load('my_array.npy')
print("從文件加載的數(shù)組:", loaded_arr)

使用np.save()和np.load()進(jìn)行數(shù)組的持久化存儲(chǔ)和讀取。

11.高級(jí)統(tǒng)計(jì)功能

分位數(shù)與標(biāo)準(zhǔn)差 :

# 分位數(shù)
quartiles = np.percentile(arr, [25, 50, 75])
print("四分位數(shù):", quartiles)

# 標(biāo)準(zhǔn)差與方差
std_dev = np.std(arr)
variance = np.var(arr)
print("標(biāo)準(zhǔn)差:", std_dev, "方差:", variance)

分位數(shù)和統(tǒng)計(jì)度量是評(píng)估數(shù)據(jù)分布的關(guān)鍵指標(biāo)。

12.高級(jí)索引與切片

花式索引 :

# 索引數(shù)組
indices = np.array([[0, 1], [2, 2]])
print("根據(jù)索引選取元素:", arr[indices])

# 切片與步長(zhǎng)
sliced_arr = arr[1:4:2]  # 從第二個(gè)元素開始，每隔一個(gè)取一個(gè)
print("切片結(jié)果:", sliced_arr)

花式索引讓你能以非常靈活的方式訪問數(shù)組元素。

13.內(nèi)存效率與視圖

使用視圖減少內(nèi)存消耗 :

view_arr = arr.view()
view_arr[:] = 100  # 注意：這會(huì)改變?cè)瓟?shù)組，因?yàn)槭且晥D
print("原數(shù)組變化后:", arr)

了解視圖和副本的區(qū)別對(duì)于處理大型數(shù)據(jù)集至關(guān)重要。

14.向量化操作的威力

向量化操作是NumPy的核心優(yōu)勢(shì)，相較于Python循環(huán)，它們提供了極大的性能提升。

比較與邏輯操作 :

# 等于特定值的索引
equals_three = arr == 3
print("等于3的索引:", equals_three)

# 邏輯與
both_greater = (arr > 2) & (arr < 4)
print("大于2且小于4的索引:", both_greater)

利用邏輯操作符進(jìn)行條件篩選，無需顯式循環(huán)。

15.性能優(yōu)化提示

• 避免循環(huán)：盡量使用向量化操作替代Python循環(huán)。
• 使用einsum進(jìn)行復(fù)雜數(shù)組計(jì)算，它在某些情況下比直接的矩陣操作更快。
• 數(shù)組預(yù)分配：預(yù)先確定數(shù)組大小并分配內(nèi)存，可以避免運(yùn)行時(shí)的內(nèi)存分配開銷。