Python NumPy数组创建与基本用法全攻略

import numpy as np

# 从列表或元组创建
arr_from_list = np.array([1, 2, 3, 4, 5])
arr_2d = np.array([[1, 2, 3], [4, 5, 6]])

# 创建特殊数组
zeros_arr = np.zeros((3, 4)) # 3行4列的全0数组
ones_arr = np.ones((2, 3)) # 2行3列的全1数组
full_arr = np.full((2, 2), 7) # 2x2数组，所有元素为7
eye_arr = np.eye(3) # 3x3单位矩阵
arange_arr = np.arange(0, 10, 2) # 类似range，生成 [0, 2, 4, 6, 8]
linspace_arr = np.linspace(0, 1, 5) # 0到1之间等间隔的5个数 [0., 0.25, 0.5, 0.75, 1.]

arr = np.array([[1, 2, 3], [4, 5, 6]])
print("数组维度 (ndim):", arr.ndim) # 2
print("数组形状 (shape):", arr.shape) # (2, 3)
print("数组元素总数 (size):", arr.size) # 6
print("数组数据类型 (dtype):", arr.dtype) # int64 (取决于系统)

arr = np.array([10, 20, 30, 40, 50])

# 基础索引
print(arr[0]) # 10
print(arr[-1]) # 50

# 切片 [start:stop:step]
print(arr[1:4]) # [20 30 40]
print(arr[::2]) # [10 30 50]

# 多维数组索引与切片
arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr_2d[0, 1]) # 2，第0行第1列
print(arr_2d[1]) # [4 5 6]，第1行
print(arr_2d[:, 1]) # [2 5 8]，所有行的第1列
print(arr_2d[0:2, 1:3]) # [[2 3] [5 6]]，第0-1行，第1-2列

arr = np.arange(12)
print("原数组:", arr) # [0 1 2 3 4 5 6 7 8 9 10 11]

# 改变形状 (reshape)，不改变数据
reshaped = arr.reshape(3, 4)
print("重塑为3x4:
", reshaped)

# 展平数组 (ravel或 flatten)
flattened = reshaped.flatten()
print("展平后:", flattened) # 返回新数组
raveled = reshaped.ravel()
print("ravel后:", raveled) # 返回视图（修改会影响原数组）

# 转置 (transpose 或 .T)
transposed = reshaped.T
print("转置后:
", transposed)

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

# 沿轴0（垂直）拼接
v_stack = np.vstack((a, b)) # 或 np.concatenate((a, b), axis=0)
print("垂直拼接:
", v_stack)

# 沿轴1（水平）拼接
h_stack = np.hstack((a, b)) # 或 np.concatenate((a, b), axis=1)
print("水平拼接:
", h_stack)

# 数组分割
arr = np.arange(9).reshape(3, 3)
print("原数组:
", arr)
split_arr = np.split(arr, 3, axis=0) # 沿轴0分成3份
print("沿行分割:", split_arr)

# 通用函数示例
arr = np.array([1.0, 4.0, 9.0])
print("平方根:", np.sqrt(arr)) # [1. 2. 3.]
print("指数:", np.exp(arr))
print("正弦:", np.sin(arr))

# 广播机制示例
a = np.array([[1, 2, 3], [4, 5, 6]]) # 形状 (2,3)
b = np.array([10, 20, 30]) # 形状 (3,)
print("广播加法:
", a + b) # b被广播为 [[10,20,30], [10,20,30]]

arr = np.array([[1, 2, 3], [4, 5, 6]])

# 聚合函数
print("总和:", np.sum(arr)) # 21
print("沿轴0求和（列和）:", np.sum(arr, axis=0)) # [5 7 9]
print("沿轴1求和（行和）:", np.sum(arr, axis=1)) # [6 15]
print("平均值:", np.mean(arr)) # 3.5
print("标准差:", np.std(arr))
print("最小值:", np.min(arr))
print("最大值:", np.max(arr))

# 其他数学函数
print("累积和:", np.cumsum(arr)) # [ 1 3 6 10 15 21]
print("累积积:", np.cumprod(arr))

# 设置随机种子以确保结果可复现
np.random.seed(42)

# 生成均匀分布随机数
uniform_arr = np.random.rand(3, 4) # [0,1)均匀分布，形状3x4
uniform_range = np.random.uniform(low=5.0, high=10.0, size=(2, 3)) # [5,10) 均匀分布

# 生成正态分布随机数
normal_arr = np.random.randn(5) # 标准正态分布 N(0,1)
normal_custom = np.random.normal(loc=100, scale=15, size=1000) # 均值100，标准差15

# 生成随机整数
int_arr = np.random.randint(low=0, high=10, size=7) # [0,10) 的整数

# 从给定数组随机选择
choices = np.random.choice(['a', 'b', 'c', 'd'], size=10, p=[0.1, 0.2, 0.3, 0.4]) # 带概率的随机选择

arr = np.array([3, 1, 4, 1, 5, 9, 2])

# 返回排序后的新数组
sorted_arr = np.sort(arr) # 默认快速排序
print("排序后（新数组）:", sorted_arr) # [1 1 2 3 4 5 9]
print("原数组未变:", arr) # [3 1 4 1 5 9 2]

# 在原数组上排序
arr.sort()
print("原数组已排序:", arr) # [1 1 2 3 4 5 9]

# 多维数组沿指定轴排序
arr_2d = np.array([[3, 1, 4], [1, 5, 9]])
sorted_axis0 = np.sort(arr_2d, axis=0) # 沿轴0（行方向，即按列）排序
print("沿轴0排序:
", sorted_axis0)
sorted_axis1 = np.sort(arr_2d, axis=1) # 沿轴1（列方向，即按行）排序
print("沿轴1排序:
", sorted_axis1)

# 获取排序后元素在原数组中的索引
arr = np.array([30, 10, 40])
indices = np.argsort(arr)
print("排序索引:", indices) # [1 0 2]，表示原数组中最小值的索引是1，其次是0，最大是2

# 保存数组到文件
arr_to_save = np.array([[1, 2, 3], [4, 5, 6]])
np.savetxt('data.txt', arr_to_save, delimiter=',', fmt='%d') # 保存为整数，逗号分隔

# 从文本文件加载数组
# loadtxt 函数功能强大，支持多种参数 
loaded_arr = np.loadtxt('data.txt', delimiter=',', dtype=np.int32)
print("从文件加载的数组:
", loaded_arr)

# 二进制文件读写（更高效，保存数据类型和形状）
np.save('data_binary.npy', arr_to_save) # 保存为 .npy 格式
loaded_binary = np.load('data_binary.npy') # 加载 .npy 文件
print("从二进制文件加载:
", loaded_binary)

arr = np.array([1, 2, 3, 4, 5, 6])

# 布尔索引
mask = arr > 3
print("布尔掩码:", mask) # [False False False True True True]
print("条件选择:", arr[mask]) # [4 5 6]
print("直接条件选择:", arr[arr % 2 == 0]) # [2 4 6]

# 花式索引（使用整数数组索引）
indices = [0, 2, 4]
print("花式索引选择:", arr[indices]) # [1 3 5]
arr_2d = np.arange(12).reshape(3, 4)
print("选择特定行:", arr_2d[[0, 2]]) # 第0行和第2行
print("选择特定行列:", arr_2d[[0, 2], [1, 3]]) # (0,1) 和 (2,3) 位置的元素 [1 11]

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

# 矩阵乘法
dot_product = np.dot(a, b) # 或 a @ b
print("矩阵乘法:
", dot_product)

# 其他线性代数函数
print("矩阵转置:
", a.T)
print("矩阵求逆:
", np.linalg.inv(a)) # 如果可逆
print("行列式:", np.linalg.det(a))
print("特征值和特征向量:", np.linalg.eig(a))

arr = np.array([1, 2, 2, 3, 4, 4, 4, 5])
print("唯一值:", np.unique(arr)) # [1 2 3 4 5]
print("值出现次数:", np.bincount(arr)) # 索引对应值出现的次数（适用于非负整数）

a = np.array([1, 2, 3, 4, 5])
b = np.array([3, 4, 5, 6, 7])
print("交集:", np.intersect1d(a, b)) # [3 4 5]
print("并集:", np.union1d(a, b)) # [1 2 3 4 5 6 7]
print("差集 (a-b):", np.setdiff1d(a, b)) # [1 2]