Python NumPy函数入门到精通：详解常用功能并附实战代码示例

NumPy（Numerical Python）是Python科学计算的核心库，广泛应用于数据分析、机器学习、图像处理等领域。

      本文总结NumPy最常用的20+个函数，涵盖数组创建、数学运算、统计、形状操作等高频场景，每个函数均提供代码示例，助力快速上手！

一、数组创建函数

1. np.array()：从列表/元组创建数组

import numpy as np

# 创建一维数组
arr1 = np.array([1, 2, 3])  
print(arr1)  # 输出: [1 2 3]

# 创建二维数组
arr2 = np.array([[1, 2], [3, 4]])
print(arr2)
# 输出:
# [[1 2]
#  [3 4]]

2. np.arange()：生成等差序列

# 生成0-4的整数
arr = np.arange(5)  
print(arr)  # 输出: [0 1 2 3 4]

# 从5开始，步长3，直到小于15
arr = np.arange(5, 15, 3)  
print(arr)  # 输出: [5 8 11 14]

3. np.linspace()：生成等间隔数

# 在0-1之间生成5个等间距数
arr = np.linspace(0, 1, 5)  
print(arr)  # 输出: [0.   0.25 0.5  0.75 1.  ]

二、数学运算函数

1. 四则运算：np.add(), np.subtract(), np.multiply(), np.divide()

a = np.array([1, 2])
b = np.array([3, 4])

sum_arr = np.add(a, b)        # 等价于 a + b
diff_arr = np.subtract(b, a)  # 等价于 b - a
print(sum_arr)   # 输出: [4 6]
print(diff_arr)  # 输出: [2 2]

2. np.sum()：数组求和

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

# 全局求和
total = np.sum(arr)        # 输出: 10

# 按列求和（axis=0）
col_sum = np.sum(arr, axis=0)  # 输出: [4 6]

# 按行求和（axis=1）
row_sum = np.sum(arr, axis=1)  # 输出: [3 7]

解释

3. np.mean()：计算平均值

arr = np.array([2, 4, 6])
avg = np.mean(arr)  
print(avg)  # 输出: 4.0

三、数组形状操作

1. reshape()：改变数组维度

arr = np.arange(6)  # [0 1 2 3 4 5]

# 转换为2行3列的二维数组
reshaped = arr.reshape(2, 3)  
print(reshaped)
# 输出:
# [[0 1 2]
#  [3 4 5]]

2. transpose()：矩阵转置

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

四、线性代数操作

1. np.dot()：矩阵乘法

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

result = np.dot(a, b)  
print(result)
# 输出:
# [[19 22]
#  [43 50]]

2. np.linalg.inv()：求逆矩阵

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

五、随机数生成

1. np.random.rand()：生成均匀分布随机数

# 生成2行3列的随机数组（范围[0,1)）
rand_arr = np.random.rand(2, 3)  
print(rand_arr)
# 示例输出:
# [[0.23 0.45 0.89]
#  [0.12 0.67 0.33]]

2. np.random.randint()：生成随机整数

# 生成5个1-10之间的整数
rand_ints = np.random.randint(1, 11, 5)  
print(rand_ints)  # 示例输出: [3 7 2 9 5]

六、实用筛选与拼接

1. np.where()：条件筛选

arr = np.array([1, 2, 3, 4])
result = np.where(arr > 2, arr, 0)  
print(result)  # 输出: [0 0 3 4]

 2. np.concatenate()：数组拼接

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

七、总结与学习建议

掌握上述函数后，你可以：

学习建议：

1. 在Jupyter Notebook中逐行运行示例代码

2. 尝试修改参数观察结果变化

3. 结合实际项目（如数据处理、图像变换）加深理解

扩展阅读：

文章说明：本文代码均在 NumPy 1.24+ 环境下测试通过。如果对您有帮助，欢迎点赞、收藏、关注！

作者：重生之我要成为PJ大神