Python的数组是什么及怎么应用-猿码集

什么是Python的数组

Python中的数组是一个列表或元组，该列表或元组中包含相同的数据类型。数组在Python中又称为NumPy数组，它是由NumPy库提供的一种数据类型。

NumPy库是Python中科学计算的核心库之一，它提供了高效的多维数组运算能力，是很多科学计算和数据分析库的基础。

使用NumPy数组比使用Python内置的列表或元组具有更高的效率和更好的性能，特别是在科学计算和数据分析中，需要处理大规模数据集时尤为明显。

NumPy数组怎么定义和创建

通过列表或元组创建数组

可以通过将列表或元组传递给NumPy的array()函数来创建一个NumPy数组。下面是一个通过列表创建NumPy数组的示例：

import numpy as np
list1 = [1, 2, 3, 4, 5]
arr1 = np.array(list1)
print(arr1)
# output: [1 2 3 4 5]

同样的，也可以通过元组创建NumPy数组：

import numpy as np 
tuple1 = (1, 2, 3, 4, 5) 
arr1 = np.array(tuple1)
print(arr1)
# output: [1 2 3 4 5]

通过NumPy的函数创建数组

除了通过列表或元组创建数组之外，NumPy库还提供了一些函数来创建数组。

通过arange函数创建数组

NumPy中的arange()函数类似于Python的内置函数range()，但输出的结果是一个NumPy数组。下面是一个创建NumPy数组的简单示例：

import numpy as np 
arr1 = np.arange(0, 10, 1)
print(arr1)
# output: [0 1 2 3 4 5 6 7 8 9]

上面的代码使用了arange()函数创建了一个从0到9的NumPy数组，步长为1。

通过linspace函数创建数组

NumPy中的linspace()函数可以创建一维等差数组，它的第一个参数是数组的起始点，第二个参数是结束点，第三个参数是数组中元素的数量。

import numpy as np 
arr1 = np.linspace(0, 10, 11)
print(arr1)
# output: [ 0.  1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]

上述代码中的第三个参数是11，表示希望创建11个元素的数组。输出结果可见，linspace()函数生成了一个元素值从0到10的数组，其中有11个元素。

NumPy数组的操作

NumPy数组的属性

NumPy数组具有很多有用的属性，让我们来了解一下：

形状（Shape）

数组的形状指的是数组中元素的数量和每个维度中的元素数量。可以通过shape属性来获得数组的形状，例如：

import numpy as np 
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1.shape)
# output: (2, 3)

在上面的示例中，arr1是一个两行三列的二维数组。因此，打印数组的形状时，输出结果为(2, 3)。

大小（Size）

数组的大小是指数组中元素的总数，可以通过size属性来获得数组的大小。例如：

import numpy as np 
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1.size)
# output: 6

在上面的示例中，arr1是一个两行三列的二维数组。因此，打印数组的大小时，输出结果为6。

维度（Dimension）

数组的维度是指数组中元素的层级数目。例如，一个二维数组的维度为2，一个三维数组的维度为3。可以通过ndim属性来获得数组的维度，例如：

import numpy as np 
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1.ndim)
# output: 2

在上面的示例中，arr1是一个两行三列的二维数组。因此，打印数组的维度时，输出结果为2。

NumPy数组之间的运算

NumPy数组支持各种基本数学运算，例如加、减、乘、除、平方等。这些运算有一个共同点，就是其针对数组中每个元素进行计算。例如：

import numpy as np 
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
arr3 = arr1 + arr2
print(arr3)
# output: [5 7 9]

在上面的示例中，我们首先创建了两个包含三个元素的一维数组arr1和arr2，然后执行arr1 + arr2运算，并将运算结果保存到arr3中。

NumPy数组的应用

科学计算和数据分析

NumPy的主要用途是支持科学计算和数据分析。NumPy的数组处理能力非常强大，它可以让我们对大型数据集进行快速的处理和分析。一些流行的数据分析和科学计算库，例如Pandas、SciPy、Scikit-learn等都是基于NumPy数组构建的。

下面是一个使用NumPy数组进行简单线性回归的例子：

import numpy as np 
import matplotlib.pyplot as plt 
# 构建一些随机数据 
x = np.array([1, 2, 3, 4, 5]) 
y = np.array([3, 4, 2, 4, 5]) 
# 使用NumPy的polyfit函数进行线性回归拟合 
coeffs = np.polyfit(x, y, 1) 
slope = coeffs[0] 
intercept = coeffs[1] 
polynomial = np.poly1d(coeffs) 
# 绘制数据和拟合直线 
plt.scatter(x, y) 
plt.plot(x, polynomial(x)) 
plt.show()

机器学习

NumPy也是机器学习中的重要组件之一。机器学习算法通常需要大量的矩阵运算和数据集处理。NumPy的高效数组处理能力使得其可用于实现各种机器学习算法。

这里是一个使用NumPy构建简单神经网络分类器的示例：

import numpy as np 
# 定义sigmoid函数 
def sigmoid(x): 
    return 1 / (1 + np.exp(-x)) 
# 构建样本数据 
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) 
y = np.array([[0], [1], [1], [0]]) 
# 初始化权重 
synapse_0 = 2 * np.random.random((2, 3)) - 1 
synapse_1 = 2 * np.random.random((3, 1)) - 1 
# 训练神经网络 
for i in range(60000): 
    # 前向传播 
    layer_0 = X 
    layer_1 = sigmoid(np.dot(layer_0, synapse_0)) 
    layer_2 = sigmoid(np.dot(layer_1, synapse_1)) 
    # 计算误差 
    layer_2_error = y - layer_2 
    # 反向传播 
    layer_2_delta = layer_2_error * (layer_2 * (1 - layer_2)) 
    layer_1_error = np.dot(layer_2_delta, synapse_1.T) 
    layer_1_delta = layer_1_error * (layer_1 * (1 - layer_1)) 
    # 更新权重 
    synapse_1 += np.dot(layer_1.T, layer_2_delta) 
    synapse_0 += np.dot(layer_0.T, layer_1_delta) 
# 输出预测结果 
print(layer_2)

在上面的示例中，我们使用NumPy创建样本数据，然后初始化权重。接下来，我们进行了60000次训练，并通过前向传播和反向传播来更新权重。最终，我们得到了一个简单神经网络分类器，可以使用它来进行二元分类。

结论

本文介绍了Python中的NumPy库，以及如何使用NumPy数组进行科学计算和数据分析。我们还了解了NumPy数组的定义和创建方式、属性及各种常见的运算。最后，我们使用NumPy构建了一个线性回归模型和一个简单的神经网络分类器，这两个示例展示了NumPy在科学计算和机器学习中的应用。

Python的数组是什么及怎么应用