numpy库的基础知识

 一.numpy是什么 ？

Numpy 是 Python 中专门用于高性能数值计算的库，其核心是一个功能强大的 n 维数组对象（ndarray），可以用来存储和操作大规模的数字矩阵或张量数据。

numpy库的作用：

核心功能：实现矩阵运算，为人工智能和数据分析提供基础支持
应用场景：
人工智能领域（包括计算机视觉、自然语言处理等）
数据分析岗位（从海量数据中挖掘有效规律）
金融行业（量化交易、投行分析等）
数据分析与人工智能的关系 
包含关系：数据分析属于人工智能岗位的组成部分
数据特征：
需要处理的数据量级通常在几十万到上百万条
少量数据（如10-20条）不需要专门的分析工具

Numpy提高运行速度的优势：底层架构：核心计算部分用C语言实现python层仅负责调用接口
速度对比：比纯Python列表运算快数十倍执行效率超过Excel的数据处理
numpy底层与C语言的关系 ：
技术架构：底层：C语言实现高性能计算上层：Python提供易用接口
设计优势：兼顾开发效率（Python）和运行效率（C），避免直接编写复杂的C代码

二.numpy库的安装

1.精确安装命令: 使用pip install numpy==1.23.5指定版本安装，双等号表示严格版本匹配

2.镜像加速: 安装时可添加国内镜像地址提高下载速度（如清华源、阿里云源等）

3.安装问题解决方法

• 错误处理:
• 当指定版本不存在时，pip会列出所有可用版本
• 可根据Python版本选择兼容的次新版本（如1.26.x不可用时选择1.25.x）

• 版本选择原则:
• Python 3.7建议安装1.21.x版本
• Python 3.8+可安装1.22+版本
• 主版本号（第一个数字）应保持一致

三. Nunpy函数详解

导入惯例: 使用import numpy as np作为标准导入方式

1.一维数组:

import numpy as np
list1 = [1,2,3,4,5] #python自带的列表数据类型
print(list1)  #[1,2,3,4,5]
v = np.array(list1)
print(v)   #[1 2 3 4 5]

 2.二维数组[多个一维数组构成]

import numpy as np
list1 = [1,2,3,4,5]
m = np.array([list1,list1,list1])
print(m)
##[[1 2 3 4 5]
# [1 2 3 4 5]
#[1 2 3 4 5]]

3.三维数组[多个二维数组构成]

import numpy as np
list1 = [1,2,3,4,5]
z = np.array([[list1,list1,list1],[list1,list1,list1],[list1,list1,list1]])
print(z)

可视化特性：在调试模式下查看ndarray对象时，数值越大显示颜色越红，越小则颜色越深，便于快速识别极值。

由于三维数组无法直接在计算机上表示，所以以z[0]的形式展现。

z[0]访问第一个二维矩阵切片，以此类推实现不同维度的数据提取，z[1]访问第二个二维矩阵切片

 4.数组的基本属性

1.shape 查询数组的形状

import numpy as np
list1 = [1,2,3,4,5]
z = np.array([[list1,list1,list1],[list1,list1,list1],[list1,list1,list1]])
print(z.shape)#(3, 3, 5)

输出结果（3,3,5）表示：3个二维矩阵，每个二维矩阵有3行，每行有5个元素

2.ndim  查询数组的维度

import numpy as np
list1 = [1,2,3,4,5]
z = np.array([[list1,list1,list1],[list1,list1,list1],[list1,list1,list1]])
print(z.ndim)#3

3.size  查询数组中数据个数

import numpy as np
list1 = [1,2,3,4,5]
z = np.array([[list1,list1,list1],[list1,list1,list1],[list1,list1,list1]])
print(z.size)#45

4.dtype 查询数组中的元素类型

import numpy as np
list1 = [1,2,3,4,5]
z = np.array([[list1,list1,list1],[list1,list1,list1],[list1,list1,list1]])
print(z.dtype)#int32

 int8, int16, int32, int64: 表示不同长度的有符号整数。默认为int32

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）。

四.数组的升维

a.reshape(newshape, order='C')

 a：要重新形状的数组。
newshape：一个整数或者元组，用于定义新的形状。
order：可选参数，指定元素在数组中的读取顺序。'C'意味着按行，'F'意味着按列，'A'意味着原顺序，'K'意味着元素在内存中的出现顺序。

import numpy as np
list1 = [1,2,3,4,5,6,7,8,1,2,3,4,5,6,7,8]#
v = np.array(list1)
r1 = v.reshape(4,4)
print(r1)
print(r1.ndim)
r2 = v.reshape(1,-1,2)
print(r2)
print(r2.ndim)
r3 = r1.reshape(2,2,4)
print(r3)
print(r3.ndim)

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

import numpy as np
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)#None
print(v)#[[1 2 3 4]# [1 2 3 4]#[1 2 3 4]#[1 2 3 4]]
print(v.ndim)#2