在Python世界里，NumPy库是科学计算的外围库。NumPy（Numeric Python）提供了Python对多维数组对象的反对，并提供了大量的库，如线性代数函数、傅立叶变换以及随机数生成等科学计算性能。在这篇文章中，咱们将深刻摸索NumPy的一些中级常识。
一、NumPy数组操作
1. 更改数组形态
有时咱们须要更改数组的形态以便进行某些运算。NumPy提供了reshape函数来实现这个工作。
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6])
print(arr.reshape(2, 3))2. 数组的重叠
在某些状况下，咱们须要将两个数组重叠在一起。NumPy提供了vstack和hstack函数，用于垂直和程度方向上的重叠。
import numpy as np
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
print(np.vstack((arr1, arr2))) # 垂直重叠
print(np.hstack((arr1, arr2))) # 程度重叠二、NumPy的播送机制
播送是NumPy中弱小的性能之一。当操作两个数组时，NumPy能够就地将较小的数组播送到较大数组的大小以进行兼容的操作。
import numpy as np
a = np.array([1, 2, 3])
b = np.array([1, 2])
a + b # 这会报错，因为形态不匹配
b_new = np.broadcast_to(b, a.shape) # 将b播送到a的形态
a + b_new三、NumPy的条件索引
NumPy提供了条件索引的性能，即能够基于条件抉择数组中的元素。这是通过在索引操作符[]中提供条件表达式实现的。
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6])
print(arr[arr > 3]) # 抉择数组中大于3的元素四、NumPy随机数生成
NumPy提供了各种随机数生成的性能，包含均匀分布、正态分布等。
import numpy as np
print(np.random.uniform(0, 1, 10)) # 生成10个[0, 1)间的均匀分布的随机数
print(np.random.normal(0, 1, 10)) # 生成10个均值为0，标准差为1的正态分布的随机数这些随机数生成性能在模仿、机器学习等畛域都有广泛应用。
五、NumPy的线性代数操作
NumPy库提供了大量线性代数操作，如求逆、解线性方程组、计算行列式等。让咱们一起看下如何应用NumPy进行这些操作。
1. 矩阵的逆
计算矩阵的逆是线性代数中常见的操作，NumPy提供了np.linalg.inv()函数用于计算矩阵的逆。
import numpy as np
mat = np.array([[1, 2], [3, 4]])
mat_inv = np.linalg.inv(mat)
print(mat_inv)2. 解线性方程组
对于形如Ax = b的线性方程组，NumPy提供了np.linalg.solve()函数用于求解。
import numpy as np
A = np.array([[1, 2], [3, 4]])
b = np.array([1, 2])
x = np.linalg.solve(A, b)
print(x)3. 计算行列式
计算行列式也是线性代数中常见的操作，NumPy提供了np.linalg.det()函数用于计算行列式。
import numpy as np
mat = np.array([[1, 2], [3, 4]])
det = np.linalg.det(mat)
print(det)六、NumPy的文件操作
NumPy提供了存储和加载数据的便当形式，这使得数据在不同的Python会话之间能够不便地传递。
1. 存储数据
NumPy提供了np.save()和np.savetxt()函数来存储数据。
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6])
np.save('arr.npy', arr) # 存储为.npy格局的文件
np.savetxt('arr.txt', arr) # 存储为.txt格局的文件2. 加载数据
对应的，NumPy提供了np.load()和np.loadtxt()函数来加载数据。
import numpy as np
arr1 = np.load('arr.npy') # 加载.npy格局的文件
arr2 = np.loadtxt('arr.txt') # 加载.txt格局的文件以上就是咱们本次对于NumPy中级常识的介绍。NumPy的性能十分弱小，本文只是概述了其中的一小部分，还有更多的性能期待你去发现和把握。心愿这篇文章能帮忙你更好地了解和应用NumPy。
发表回复