利用Python进行数据分析(4) NumPy基础: ndarray简单介绍

NumPy 是 Python 科学计算的基础包，其核心数据结构是 ndarray（N-dimensional array，多维数组）。

1. 多维结构

   支持任意维度的数组（如 1D 向量、2D 矩阵、3D 张量等），适合处理数值型数据集。

   示例：

   import numpy as nparr_1d = np.array([1, 2, 3]) # 1D 数组arr_2d = np.array([[1, 2], [3, 4]]) # 2D 数组

2. 同构数据类型

   所有元素必须是相同类型（如全为 int32 或 float64），确保计算高效。

   类型可通过 dtype 属性查看：

   print(arr_1d.dtype) # 输出: int64（默认推断类型）

3. 高效运算

   支持向量化操作（无需显式循环），底层用 C 实现，速度远超 Python 原生列表。

   示例：

   arr = np.array([1, 2, 3])print(arr * 2) # 输出: [2 4 6]（每个元素乘以 2）

1. 从序列转换

   使用 np.array() 将列表、元组等转换为 ndarray：

   lst = [1, 2, 3]arr = np.array(lst)

2. 特殊数组生成

   全零/全一数组：zeros()、ones()

   zeros_arr = np.zeros((2, 3)) # 2x3 的全 0 数组ones_arr = np.ones(5) # 长度为 5 的全 1 数组

   未初始化数组：empty()（内容随机，速度快）

   empty_arr = np.empty((2, 2)) # 可能包含内存垃圾值

   范围数组：arange()（类似 range，但返回数组）

   range_arr = np.arange(0, 10, 2) # 输出: [0 2 4 6 8]

3. 指定数据类型

   通过 dtype 参数显式定义类型：

   float_arr = np.array([1, 2, 3], dtype=np.float64)

1. 支持的类型

   整数：int8, int32, uint64 等

   浮点数：float16, float64

   布尔型：bool

   字符串：str 或 U（Unicode）

2. 类型转换

   使用 astype() 方法（返回新数组）：

   int_arr = np.array([1.5, 2.7, 3.9])new_arr = int_arr.astype(np.int32) # 小数部分被截断 → [1, 2, 3]

   字符串转数值（若元素可解析）：

   str_arr = np.array(['1', '2', '3'])num_arr = str_arr.astype(np.int8)

1. 算术运算

   元素级运算（加减乘除、幂次等）：

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

2. 广播机制

   不同形状的数组可自动扩展运算（如标量与数组）：

   arr = np.array([[1, 2], [3, 4]])print(arr + 10) # 每个元素加 10

3. 索引与切片

   类似列表，但支持多维索引：

   arr_2d = np.array([[1, 2, 3], [4, 5, 6]])print(arr_2d[1, 2]) # 输出: 6（第 2 行第 3 列）print(arr_2d[:, 1]) # 输出: [2 5]（所有行的第 2 列）

场景：计算一组数据的平方根

场景：矩阵乘法

1. 内存连续性

   ndarray 默认是内存连续的，但切片操作可能返回视图（非副本），修改视图会影响原数组。

2. 性能优化

   避免频繁类型转换或小数组操作，尽量使用向量化计算。

通过 ndarray，NumPy 为科学计算提供了高效、便捷的底层支持，是 Pandas、SciPy 等库的基础。掌握其创建、运算和类型处理是数据分析的关键一步。