Python NumPy安装、导入与入门

njxiejing

1102人浏览 · 2025-09-10 23:49:20

njxiejing · 2025-09-10 23:49:20 发布

NumPy是Numerical Python的简称，是Python中专门用于数值计算的软件库，是进行科学计算所必备的基础软件库，很多第三方软件库都是基于NumPy实现的。

NumPy中最常见的类是被称为ndarray的用于操作多维数组的类。

1、NumPy可以通过pip命令安装： pip install numpy。（此处已经安装，若未安装，则执行安装）

2、如果使用集成环境，如PyCharm，在Python packages中搜索，也可以在包中搜索NumPy，然后进行安装。

3、NumPy导入（NumPy作为第三方库必须导入才能使用）:import numpy as np

(1)numpy创建一维数组。
import  numpy as np
a=np.array([1,2,3])
print(a)
[1 2 3]
import numpy as np
data1=[1,2,3,4,5,6,7,8,9]
data=np.array(data1)
print(data)                          #[1,2,3,4,5,6,7,8,9]
import numpy as np
data1=[1,2,3,4,5,6,7,8,9]
data=np.array(data1,dtype=float)
print(data)                          #[1. 2. 3. 4. 5. 6. 7. 8. 9.]
（2）执行a*2操作：np中的每个数组元组都变成原来的2倍
import  numpy as np
a=np.array([1,2,3])
print(a)
print(f"a*2:{a*2}")
[1 2 3]
a*2:[2 4 6]
（3）执行a+10：np中的数组每个元素都+10
import  numpy as np
a=np.array([1,2,3])
print(a)
print(f"a+10:{a+10}")
[1 2 3]
a+10:[11 12 13]
(4)对列表对象进行乘法运算（这和第2点不一样，请比较）
import  numpy as np
a=np.array([1,2,3]*3)
print(a)
[1 2 3 1 2 3 1 2 3]
（5）数组运算（a+b,a-b,a*b,a/b）
import  numpy as np
a=np.array([1,2,3])
b=np.array([4,5,6])
print(a+b)
print(a-b)
print(a*b)
print(a/b)
[-3 -3 -3]
[ 4 10 18]
[0.25 0.4  0.5 ]
(6)np.dot（）内积计算
import  numpy as np
a=np.array([1,2,3])
b=np.array([4,5,6])
print(np.dot(a,b))
32
（7）np.arange()函数
import  numpy as np
a=np.arange(10)
print(a)
[0 1 2 3 4 5 6 7 8 9]
（8）np.arange()函数（步长2）
import  numpy as np
a=np.arange(0,10,2)
 print(a) 
[0 2 4 6 8]        
（9）np.linspace()函数，等分划分
import  numpy as np
a=np.linspace(0,14,10)
print(a)
[ 0.          1.55555556  3.11111111  4.66666667  6.22222222  7.77777778
  9.33333333 10.88888889 12.44444444 14.        ]
（10）ndim,shape和dtype：ndim，维度，shape是一个表示各维度大小的元组，如（4,3）表示4行3列
import  numpy as np
a=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
print(a.ndim)
print(a.shape)
print(a.dtype)
2
(4, 3)
int64
（11）np.zeros(10)创建全0一维数组
import  numpy as np
a=np.zeros(10)
print(a)
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
（12）创建4行5列的全0数组
import  numpy as np
a=np.zeros((4,5))
print(a)
[[0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]]
（13）np.ones(10)创建全1的一维数组
import  numpy as np
a=np.ones(10)
print(a)
[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]
（14）类型转换(data.astype(np.float64将data数组转换为float64类型，初始类型为int64)
import numpy as np
data1=[1,2,3,4,5,6,7,8,9]
data=np.array(data1)
print(data.dtype)                     #int
data1=data.astype(np.float64)
print(data1.dtype)                    #float64
int64
float64
（15）np.concatenate()：连接（合并）a、b两个数组
import  numpy as np
a=np.array([1,2,3,4,5])
b=np.array([6,7,8,9,10])
c=np.concatenate((a,b))
print(c)
[ 1  2  3  4  5  6  7  8  9 10]
（16）np.reshape()：改变数组的形状
import  numpy as np
a=np.array([1,2,3,4,5,6])
b=a.reshape(2,3)
print(b)
[[1 2 3]
 [4 5 6]]
（17）np.expand_dims()
import  numpy as np
a=np.array([1,2,3,4,5,6])
print(a.shape)
b=np.expand_dims(a,axis=1)
print(b)
print(b.shape)
(6,)
[[1]
 [2]
 [3]
 [4]
 [5]
 [6]]
(6, 1)
(18)条件判断（>,=,<）
import  numpy as np
a=np.array([[1,2,3,4,5,6],[10,20,30,40,50,60]])
print(a[a<30])
[ 1  2  3  4  5  6 10 20]
import  numpy as np
a=np.array([[1,2,3,4,5,6],[10,20,30,40,50,60]])
print(a[a>=30])
[30 40 50 60]
（19）条件判断（%）
import  numpy as np
a=np.array([[1,2,3,4,5,6],[10,20,30,40,50,60]])
print(a[a%5==0])
[ 5 10 20 30 40 50 60]
（20条件判断（&）
import  numpy as np
a=np.array([[1,2,3,4,5,6],[10,20,30,40,50,60]])
print(a[(a>5)&(a<30)])
[ 6 10 20]
（21）条件判断（|）
import  numpy as np
a=np.array([[1,2,3,4,5,6],[10,20,30,40,50,60]])
print(a[(a<5)|(a>40)])
[ 1  2  3  4 50 60]
(22)修改数据类型
import numpy as np
arr=np.arange(10)
print(arr.dtype)
arr.dtype=np.float64
print(arr.dtype)
int64
float64
（23）切片与切片广播（这一点与列表不太一样，切片的任何修改都会作用到源数组上）
import numpy as np
arr=np.array([0,1,2,3,4,5,6,7,8,9])
print(arr[2:6])
arr[2:6]=88
print(arr)
[2 3 4 5]
[ 0  1 88 88 88 88  6  7  8  9]
import numpy as np
data=np.array([1,2,3,4,5,6,7,8,9,10])
data_slice=data[5:8]
data_slice[:]=88
print(data)
data_slice=data[5:8].copy()
data_slice[:]=99
print(data)
[ 1  2  3  4  5 88 88 88  9 10]
[ 1  2  3  4  5 88 88 88  9 10]
（24）numpy中的np.hanning（）
import numpy as np
import matplotlib.pyplot as plt
window = np.hanning(50)
print('w2:', window)
plt.plot(window)
plt.show()
# np.hanning函数是numpy库中比较常见的函数，
# 它生成余弦窗函数或者高斯函数，
# 用于过滤或者突出某个物体，输入参数为M，
# 输出是一行M列的向量

（25）凯泽窗

import numpy as np
import matplotlib.pyplot as plt
# 调用kaiser函数，以计算凯泽窗
window = np.kaiser(42, 14)
print(window)
# 使用Matplotlib绘制凯泽窗
plt.plot(window)
plt.show()
# np.kaiser
# 函数用于计算凯泽窗。凯泽窗是一种可调整的窗函数，其形状由两个参数控制，常用于数字信号处理中。
# 使用方法
# np.kaiser
# 函数的基本语法如下：
# np.kaiser(M, beta)
# M：表示窗口的长度，即窗函数的样本点数，是一个整数。
# beta：是一个控制窗函数形状的参数，为浮点数。beta
# 值越大，窗函数的主瓣越窄，旁瓣越低。
# 凯泽窗是一种在时域上的窗函数，可用于信号处理中的频谱分析、滤波器设计等。通过调整
# beta参数，可以在主瓣宽度和旁瓣衰减之间进行权衡