本文共 1683 字，大约阅读时间需要 5 分钟。

Numpy是Python中最常用的数组处理库，提供了一系列强大的数组操作功能。以下是关于Numpy数组操作的基础知识和常用技巧全解析。

数组的算术运算会自动作用于每个元素，并返回一个新的数组。这种特性使得Numpy非常便于批量处理数据。能够灵活运用+号和*号进行操作，轻松实现数据变换。

需要注意的是，矩阵乘法不使用普通的乘法符号，而是需要使用dot函数来完成。例如，类似于以下代码：

a = np.array([[1, 1],             [0, 1]])b = np.array([[2, 0],             [3, 4]])print(a * b)  # 输出：[[2, 0], [0, 4]]print(a.dot(b))  # 输出：[[3, 4]]

通过dot函数可以实现更复杂的矩阵乘法，这也是Numpy在高性能计算中的核心优势。

+= 和 *= 操作符可以直接修改原有的数组，而不是新建一个，这提供了高效更新数据的可能性。例如：

a = np.ones((2, 3), dtype=int)print(a)  # 输出：[[1, 1, 1], [1, 1, 1]]b = np.random.random((2, 3))print(b)  # 输出：数组形状：(2,3)，发现随机值a += b  # 修改a数组print(b)  # 现在b的所有元素都和a相加后的结果一致

需要注意的是，数组的类型会影响操作。例如，上述示例中，a是int类型，b是float类型。当执行a += b时，b会被自动转换为float类型，而a则会由于类型兼容性问题无法支持float运算。这提示我们在进行数组操作时，需要注意数据类型的兼容性。

在运算时，不同类型的数组会自动向精度更高的类型转换，以保证结果的准确性。例如：

a = np.ones(3, dtype=np.int32)b = np.linspace(0, np.pi, 3)c = a + bprint(c)

这里，a是int32，b是float64，运算后结果c会是float64类型。同时，Numpy支持复数运算，可以通过乘以1j实现。

Numpy的ndarray功能强大，支持一系列内置函数，用于实现高效的数据分析操作。例如：

a = np.arange(15).reshape(3, 5)print(a)  # 输出：           # [[7, 8, 9,10,11],           #  [12,13,14,15,16],           #  [17,18,19,20,21]]print(a.sum())  # 输出：78print(a.min())  # 输出：7print(a.max())  # 输出：21

通过ndarray，用户可以轻松实现矩阵的行、列操作，如通过axis参数设置运算方向。

默认情况下，Numpy操作会沿着数组的所有轴执行，但其实也可以灵活指定axis来限定运算方向。例如：

b = np.arange(12).reshape(3, 4)print(b)  # 输出：           # [[0, 1, 2, 3],           #  [4, 5, 6, 7],           #  [8, 9,10,11]]print(b.sum(axis=0))  # 对每一列求和，结果为 [6, 12, 18]print(b.min(axis=1))  # 对每一行求最小值，结果为 [0, 4, 8]print(b.cumsum(axis=1))  # 对每一行进行累加，结果：                           # [[0, 1, 2,3],                           #  [4, 5, 6,7],                           #  [8,9,10,11]]

这是Numpy在数组操作中提供的灵活性，非常适用于多维数据的分析需求。

转载地址：http://bsuuk.baihongyu.com/