Numpy中最常用的20个函数

Numpy是一种广泛用于科学计算的Python库，提供了各种强劲的函数和工具，可以使得数组和矩阵的操作变得更加高效和方便。在本文中，我们将介绍Numpy中最常用的20个函数，并提供相应的代码示例，协助读者更好地理解和应用这些函数。

1. np.array()np.array()函数用于创建一个Numpy数组。

import numpy as np

my_list = [1, 2, 3, 4, 5]
my_array = np.array(my_list)
print(my_array)  # 输出：[1 2 3 4 5]

2. np.arange()np.arange()函数用于创建一个等差数列的Numpy数组。

import numpy as np

my_array = np.arange(1, 6)
print(my_array)  # 输出：[1 2 3 4 5]

3. np.zeros()np.zeros()函数用于创建一个全零的Numpy数组。

import numpy as np

my_array = np.zeros(5)
print(my_array)  # 输出：[0. 0. 0. 0. 0.]

4. np.ones()np.ones()函数用于创建一个全一的Numpy数组。

import numpy as np

my_array = np.ones(5)
print(my_array)  # 输出：[1. 1. 1. 1. 1.]

5. np.random.rand()np.random.rand()函数用于创建一个随机的Numpy数组。

import numpy as np

my_array = np.random.rand(5)
print(my_array)  # 输出：[0.09872553 0.45592844 0.75209817 0.7868316  0.04536885]

6. np.reshape()np.reshape()函数用于改变Numpy数组的形状。

import numpy as np

my_array = np.array([1, 2, 3, 4, 5])
reshaped_array = np.reshape(my_array, (5, 1))
print(reshaped_array)  # 输出：
                       # [[1]
                       #  [2]
                       #  [3]
                       #  [4]
                       #  [5]]

7. np.transpose()np.transpose()函数用于将Numpy数组进行转置。

import numpy as np

my_array = np.array([[1, 2], [3, 4]])
transposed_array = np.transpose(my_array)
print(transposed_array)  # 输出：
                         # [[1 3]
                         #  [2 4]]

8. np.dot()np.dot()函数用于计算两个Numpy数组的点积。

import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
dot_product = np.dot(a, b)
print(dot_product)  # 输出：32

9. np.sum()np.sum()函数用于计算Numpy数组的元素和。

import numpy as np

my_array = np.array([1, 2, 3, 4, 5])
sum_of_array = np.sum(my_array)
print(sum_of_array)  # 输出：15

10. np.mean()np.mean()函数用于计算Numpy数组的平均值。

import numpy as np

my_array = np.array([1, 2, 3, 4, 5])
mean_of_array = np.mean(my_array)
print(mean_of_array)  # 输出：3.0

11. np.max()np.max()函数用于计算Numpy数组的最大值。

import numpy as np

my_array = np.array([1, 2, 3, 4, 5])
max_of_array = np.max(my_array)
print(max_of_array)  # 输出：5

12. np.min()np.min()函数用于计算Numpy数组的最小值。

import numpy as np

my_array = np.array([1, 2, 3, 4, 5])
min_of_array = np.min(my_array)
print(min_of_array)  # 输出：1```

13. np.argmax()
`np.argmax()`函数用于返回Numpy数组中最大值的索引。

```python
import numpy as np

my_array = np.array([1, 2, 3, 4, 5])
max_index = np.argmax(my_array)
print(max_index)  # 输出：4

14. np.argmin()np.argmin()函数用于返回Numpy数组中最小值的索引。

import numpy as np

my_array = np.array([1, 2, 3, 4, 5])
min_index = np.argmin(my_array)
print(min_index)  # 输出：0

15. np.std()np.std()函数用于计算Numpy数组的标准差。

import numpy as np

my_array = np.array([1, 2, 3, 4, 5])
std_of_array = np.std(my_array)
print(std_of_array)  # 输出：1.4142135623730951

16. np.exp()np.exp()函数用于计算Numpy数组中元素的指数函数。

import numpy as np

my_array = np.array([1, 2, 3, 4, 5])
exp_of_array = np.exp(my_array)
print(exp_of_array)  # 输出：[ 2.71828183  7.3890561  20.08553692 54.59815003 148.4131591 ]

17. np.log()np.log()函数用于计算Numpy数组中元素的自然对数。

import numpy as np

my_array = np.array([1, 2, 3, 4, 5])
log_of_array = np.log(my_array)
print(log_of_array)  # 输出：[0.         0.69314718 1.09861229 1.38629436 1.60943791]

18. np.sin()np.sin()函数用于计算Numpy数组中元素的正弦函数。

import numpy as np

my_array = np.array([0, np.pi/2, np.pi])
sin_of_array = np.sin(my_array)
print(sin_of_array)  # 输出：[0.0000000e+00 1.0000000e+00 1.2246468e-16]

19. np.cos()np.cos()函数用于计算Numpy数组中元素的余弦函数。

import numpy as np

my_array = np.array([0, np.pi/2, np.pi])
cos_of_array = np.cos(my_array)
print(cos_of_array)  # 输出：[ 1.000000e+00  6.123234e-17 -1.000000e+00]

20. np.linalg.inv()np.linalg.inv()函数用于计算Numpy数组的逆矩阵。

import numpy as np

my_array = np.array([[1, 2], [3, 4]])
inv_of_array = np.linalg.inv(my_array)
print(inv_of_array)  # 输出：
                     # [[-2.   1. ]
                     #  [ 1.5 -0.5]]

总结：本文介绍了Numpy中最常用的20个函数，并提供了相应的代码示例。这些函数涵盖了数组的创建、形状改变、转置、数学计算、统计分析、三角函数等常见的编程需求。熟练掌握这些函数的使用方法，将使你在科学计算和数据分析的过程中更加得心应手，并能够更高效地处理各种数据。这些函数是Numpy库中的基础工具，无论你是初学者还是有经验的数据分析师，都应该熟悉并善于使用它们。通过灵活运用这些函数，你可以更轻松地处理各种数据分析任务，提高代码的可读性和可维护性，从而更高效地实现你的数据分析目标。希望本文对你的Numpy学习和数据分析实践有所协助！

摘自：科学随想录