Numpy库，矩阵形状与维度操作
目录
一.numpy库简介与安装
numpy库的安装
二.numpy核心功能
1.矩阵处理
2.数学运算
三.数据的维度与属性
1.维度管理
2.属性方法
四.数据类型与存储范围
五.矩阵形状与维度操作
六.数据升维与reshape()方法
一.numpy库简介与安装
NumPy是Python中用于科学计算的核心库之一，提供高性能的多维数组对象（ndarray）及工具，适用于数值计算、数据分析和机器学习等领域。
numpy库的安装
pip install numpy==1.23.5 -i 镜像源地址注意：
若安装失败，需检查Python版本兼容性（如3.7/3.9适配1.x版本，避免2.x版本）。
二.numpy核心功能
1.矩阵处理
- 将数据存储为矩阵（
ndarray类型），显著提升计算速度（底层由C语言实现）。 - 支持高维数据（如二维、三维矩阵），可通过
numpy.array()转换列表为矩阵。
2.数学运算
- 集成数学库功能（如sin, cos, abs等），支持矩阵转置、求逆、微分等高级运算。
- 对比Python原生列表：numpy提供更丰富的数学操作且计算效率更高。
三.数据的维度与属性
1.维度管理
- 一维矩阵（如[1 2 3 4 5 6]）显示为无逗号排列。
import numpy as np list =[1,2,3,4,5,6] print(np.array(list))
- 高维矩阵（如三维）需通过索引（如z0, z1）查看不同层级数据。
import numpy as np list =[1,2,3,4,5,6] z=np.array([[list,list,list],[list,list,list],[list,list,list]])
2.属性方法
- cshape：返回矩阵形状（如(5,)表示一维5元素)。
x=np.array([1,2,3,4,5]) print(x.shape)
-
(3,3,6)表示三维数据，共有3×3×6个元素
import numpy as np list =[1,2,3,4,5,6] m = np.array([list,list,list]) y= np.array([m,m,m]) print(y.shape)
- ndim：返回维度数（如三维矩阵返回3）。
import numpy as np list =[1,2,3,4,5,6] m = np.array([list,list,list]) y= np.array([m,m,m]) print(y.ndim)
- dtype：查看数据类型（默认int32表示32位整数）。
四.数据类型与存储范围
- int8 的最小值为 0（二进制全为 0），最大值为 256（二进制全为 1），实际存储范围为 0 到 255。
- 自然界中的亮度值（如 RGB 颜色）范围是 0 到 255，因此计算机视觉中常用 int8 存储颜色值。
- int32 的存储范围为 0 到 2³²，适用于大数值存储；float32 和 float64 用于高精度浮点数（如保留多位小数）。
-
五.矩阵形状与维度操作
- shape：描述矩阵的行列结构（如 3 行 5 列返回 (3, 5)）。
- ndim：返回矩阵的维度数（一维返回 1，二维返回 2）。
- size：返回矩阵中元素的总数（如 15 个数据返回 15）。
import numpy as np list =[1,2,3,4,5,6] m = np.array([list,list,list]) print(m.size)
- dtype：返回矩阵元素的数据类型
int8, int16, int32, int64: 表示不同长度的有符号整数。
uint8, uint16, uint32, uint64: 表示不同长度的无符号整数。
float16, float32, float64 (float 是 float64 的简写): 表示不同精度的浮点数。
complex64, complex128 (complex 是 complex128 的简写): 表示复数，其中64和128表示复数的实部和虚部的位数。
bool: 布尔类型，可以存储True或False。
str_: 表示定长字符串，可以通过添加数字来指定字符串的长度，如 'S10' 表示长度为10的字符串。
object: 表示Python对象类型，可以用来存储任意Python对象。
六.数据升维与reshape()方法
- reshape：将一维数据转换为多维矩阵，需指定新形状（如 (4, 4) 将 16 个数据转为 4 行 4 列）。参数 newshape 可为元组（如 (4, 4)）或使用 -1 自动计算维度（如 reshape(4, -1) 表示 4 行，列数自动推导为 4）。
list1=[1,2,3,4,1,2,3,4,1,2,3,4,1,2,3,4] v=np.array(list1) print(v.reshape(4,4))
list1=[1,2,3,4,1,2,3,4,1,2,3,4,1,2,3,4] v=np.array(list1) print(v.reshape(4,-1))
- 三维转换示例：reshape(1, -1, 2) 将 16 个数据转为 1×8×2 的三维结构。
list1=[1,2,3,4,1,2,3,4,1,2,3,4,1,2,3,4] v=np.array(list1) print(v.reshape(1,-1,2))
- resize：调整矩阵大小，可直接修改原始数据到相应的维度，返回值 None。reshape()方法则返回的是修改后的矩阵而原来的矩阵并不会改变
不返回计算结果，直接修改原始数组
list1=[1,2,3,4,1,2,3,4,1,2,3,4,1,2,3,4] v=np.array(list1) r = v.resize(4,4)#直接会修改原始数据到相应的维度 print(r) print(v) print(v.ndim)