NumPy(Numerical Python的简称)是Python中最重要的科学计算基础库。如果把Python比作一把瑞士军刀,那么NumPy就是其中最重要的工具之一。它能帮助我们高效地处理大量的数值数据。
NumPy是在2005年由Travis Oliphant通过将Numeric和Numarray这两个已有的Python数组库整合在一起而创建的。现在它已经成为Python科学计算生态系统的核心。
让我们通过一个简单的例子来理解NumPy的优势:
import numpy as np
import time
# 创建一个包含10000个数的列表和数组
python_list = list(range(100000))
numpy_array = np.array(range(100000))
# 测试Python列表计算时间
start_time = time.time()
python_result = [x * 2 for x in python_list]
python_time = time.time() - start_time
# 测试NumPy数组计算时间
start_time = time.time()
numpy_result = numpy_array * 2
numpy_time = time.time() - start_time
print(f"Python列表计算时间: {python_time:.6f}秒")
print(f"NumPy数组计算时间: {numpy_time:.6f}秒")Python列表计算时间: 0.002609秒
NumPy数组计算时间: 0.000521秒NumPy之所以快，是因为它在底层使用C语言实现，并且对数据进行连续存储，这使得计算效率大大提高。
假设我们要计算两组数据的平均值:
# Python列表方式
python_list1 = [1, 2, 3, 4, 5]
python_average = sum(python_list1) / len(python_list1)
# NumPy方式
numpy_array1 = np.array([1, 2, 3, 4, 5])
numpy_average = np.mean(numpy_array1)
print(f"Python计算平均值: {python_average}")
print(f"NumPy计算平均值: {numpy_average}")Python计算平均值: 3.0
NumPy计算平均值: 3.0NumPy的核心是其多维数组对象(ndarray):
# 创建一个2x3的数组
arr = np.array([[1, 2, 3],
[4, 5, 6]])
print("数组的形状:", arr.shape)
print("数组的维度:", arr.ndim)
print("数组的大小:", arr.size)数组的形状: (2, 3)
数组的维度: 2
数组的大小: 6在本次夏令营中，同学们使用的JupyterHub平台中NumPy已经预装好了，同学们无需再次安装。
pip install numpyconda install numpy如果你使用Anaconda Python发行版，NumPy已经预装好了。
import numpy as np
print(np.__version__) # 查看NumPy版本1.24.3# 创建一维数组
arr1d = np.array([1, 2, 3, 4])
# 创建二维数组
arr2d = np.array([[1, 2], [3, 4]])
print("一维数组:", arr1d)
print("二维数组:\n", arr2d)一维数组: [1 2 3 4]
二维数组:
[[1 2]
[3 4]]# 创建一个示例数组
arr = np.array([[1, 2, 3],
[4, 5, 6]])
print("形状(shape):", arr.shape) # 数组的维度
print("维度数(ndim):", arr.ndim) # 数组的维数
print("数据类型(dtype):", arr.dtype) # 数组的数据类型
print("元素个数(size):", arr.size) # 数组的总元素个数形状(shape): (2, 3)
维度数(ndim): 2
数据类型(dtype): int32
元素个数(size): 6# 计算正弦值
angles = np.array([0, 30, 45, 60, 90])
radians = np.deg2rad(angles) # 将角度转换为弧度
sin_values = np.sin(radians)
print("不同角度的正弦值:", sin_values)不同角度的正弦值: [0. 0.5 0.70710678 0.8660254 1. ]# 分析学生成绩
scores = np.array([85, 92, 77, 68, 90, 88, 95, 78])
print("平均分:", np.mean(scores))
print("中位数:", np.median(scores))
print("标准差:", np.std(scores))平均分: 84.125
中位数: 86.5
标准差: 8.506431390424542下一章我们将学习在NumPy中的标量与向量。