基于 NumPy 的高效数值计算技术解析与实践指引

二向箔reverse

于 2025-07-22 20:53:26 发布

阅读量701

点赞数 11

CC 4.0 BY-SA版权

文章标签： numpy

本文链接：https://blog.csdn.net/cpluspluszz/article/details/149547232

在数据处理与科学计算领域，高效是核心诉求。NumPy 作为 Python 生态高效数值计算的基石，以高性能多维数组对象及配套函数，成为数据从业者的必备工具。其数组支持算术、比较、逻辑等丰富运算，通过向量化操作直接处理每个元素，无需循环，大幅提升代码效率与简洁度。

算术运算

NumPy 数组可以直接进行加减乘除等算术运算，运算规则是对应元素之间进行操作。

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

b = np.array([6, 7, 8, 9, 10])

# 加法

print(a + b) # 输出：[ 7 9 11 13 15]

# 减法

print(b - a) # 输出：[5 5 5 5 5]

# 乘法

print(a * b) # 输出：[ 6 14 24 36 50]

# 除法

print(b / a) # 输出：[6. 3.5 2.66666667 2.25 2. ]

此外，NumPy 还提供了丰富的数学函数来进行算术运算，如 np.add()、np.subtract()、np.multiply()、np.divide() 等，它们的功能与运算符类似。

print(np.add(a, b)) # 输出：[ 7 9 11 13 15]，与 a + b 效果相同

比较运算

数组的比较运算会返回一个布尔类型的数组，其中每个元素表示对应位置的元素是否满足比较条件。

a = np.array([1, 3, 5, 7, 9])

b = np.array([2, 3, 6, 7, 8])

print(a > b) # 输出：[False False False False True]

print(a == b) # 输出：[False True False True False]

print(a <= b) # 输出：[ True True True True False]

逻辑运算

NumPy 提供了 np.logical_and()、np.logical_or()、np.logical_not() 等函数来进行逻辑运算。

a = np.array([True, True, False, False])

b = np.array([True, False, True, False])

print(np.logical_and(a, b)) # 输出：[ True False False False]

print(np.logical_or(a, b)) # 输出：[ True True True False]

print(np.logical_not(a)) # 输出：[False False True True]

广播机制

在 NumPy 中，形状不同的数组运算会触发广播机制，它能自动扩展小数组，实现元素级运算。

广播需遵循两条规则：

维度数不同时，给维度少的数组前面补维，直至维度数一致。

各维度上，数组大小相同或其中一个为 1 才能广播，否则报错。

广播示例如下：

# 示例 1：一维数组与标量运算

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

b = 2

print(a + b) # 输出：[3 4 5 6 7]，标量 b 被广播为与 a 形状相同的数组 [2, 2, 2, 2, 2]

# 示例 2：二维数组与一维数组运算

a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

b = np.array([10, 20, 30])

print(a + b)

# 输出：

# [[11 22 33]

# [14 25 36]

# [17 28 39]]

# 一维数组 b 被广播为与 a 形状相同的二维数组 [[10, 20, 30], [10, 20, 30], [10, 20, 30]]

# 示例 3：形状兼容的二维数组运算

a = np.array([[1, 2], [3, 4], [5, 6]]) # 形状为 (3, 2)

b = np.array([[10], [20], [30]]) # 形状为 (3, 1)

print(a * b)

# 输出：

# [[ 10 20]

# [ 60 80]

# [150 180]]

# 数组 b 被广播为形状 (3, 2) 的数组 [[10, 10], [20, 20], [30, 30]]

NumPy 的常用函数

NumPy 提供了大量的常用函数，用于数组的统计分析、数学计算等。

统计函数

np.sum()：计算数组元素的总和。

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

print(np.sum(a)) # 输出：21（所有元素的总和）

print(np.sum(a, axis=0)) # 输出：[5 7 9]（按列求和）

print(np.sum(a, axis=1)) # 输出：[6 15]（按行求和）

np.mean()：计算数组元素的平均值。

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

print(np.mean(a)) # 输出：3.5

np.max() 和 np.min()：分别计算数组元素的最大值和最小值。

a = np.array([[7, 2, 9], [4, 8, 3]])

print(np.max(a)) # 输出：9

print(np.min(a, axis=0)) # 输出：[4 2 3]（按列求最小值）

np.std() 和 np.var()：分别计算数组元素的标准差和方差。

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

print(np.std(a)) # 输出：1.41421356...

print(np.var(a)) # 输出：2.0

数学函数

np.sqrt()：计算数组元素的平方根。

a = np.array([4, 9, 16, 25])

print(np.sqrt(a)) # 输出：[2. 3. 4. 5.]

np.exp()：计算数组元素的指数（e 的幂）。

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

print(np.exp(a)) # 输出：[ 2.71828183 7.3890561 20.08553692]

np.log()、np.log2()、np.log10()：分别计算自然对数、以 2 为底的对数和以 10 为底的对数。

a = np.array([1, 2, 4, 10])

print(np.log(a)) # 输出：[0. 0.69314718 1.38629436 2.30258509]

print(np.log2(a)) # 输出：[0. 1. 2. 3.32192809]

print(np.log10(a)) # 输出：[0. 0.30103 0.60205999 1. ]

其他常用函数

np.argmax() 和 np.argmin()：分别返回数组中最大值和最小值的索引。

a = np.array([[3, 1, 4], [2, 5, 0]])

print(np.argmax(a)) # 输出：4（最大值 5 在数组展平后的索引）

print(np.argmin(a, axis=1)) # 输出：[1 2]（按行找最小值的索引）

np.unique()：返回数组中唯一的元素，并排序。

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

print(np.unique(a)) # 输出：[1 2 3 4 5]

np.sort()：对数组进行排序。

a = np.array([[3, 1, 4], [2, 5, 0]])

print(np.sort(a)) # 输出：[[1 3 4] [0 2 5]]（按行排序）

print(np.sort(a, axis=0)) # 输出：[[2 1 0] [3 5 4]]（按列排序）

NumPy 与其他库的结合

NumPy 作为 Python 科学计算的基础库，经常与其他库结合使用，发挥更强大的功能。

与 Matplotlib 结合

Matplotlib 是 Python 中常用的绘图库，它可以与 NumPy 无缝配合，绘制各种图表。

import numpy as np

import matplotlib.pyplot as plt

# 生成数据

x = np.linspace(0, 2 * np.pi, 100)

y = np.sin(x)

# 绘制正弦曲线

plt.plot(x, y)

plt.title('Sine Curve')

plt.xlabel('x')

plt.ylabel('sin(x)')

plt.show()

与 Pandas 结合

Pandas 是基于 NumPy 构建的数据分析库，它的 Series 和 DataFrame 数据结构本质上都是基于 NumPy 的数组。在 Pandas 中，可以方便地将数据转换为 NumPy 数组进行处理。

import numpy as np

import pandas as pd

# 创建 DataFrame

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})

# 转换为 NumPy 数组

arr = df.values

print(arr)

# 输出：

# [[1 4]

# [2 5]

# [3 6]]

NumPy 的高级应用

除了上述基础内容，NumPy 还有许多高级应用，如线性代数运算、随机数生成等。

线性代数运算

NumPy 的 linalg 模块提供了丰富的线性代数运算函数。

np.linalg.dot()：计算两个数组的点积。

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

b = np.array([[5, 6], [7, 8]])

print(np.linalg.dot(a, b))

# 输出：

# [[19 22]

# [43 50]]

np.linalg.inv()：计算矩阵的逆矩阵（仅适用于方阵）。

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

inv_a = np.linalg.inv(a)

print(inv_a)

# 输出：

# [[-2. 1. ]

# [ 1.5 -0.5]]

np.linalg.eig()：计算方阵的特征值和特征向量。

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

eigenvalues, eigenvectors = np.linalg.eig(a)

print("特征值：", eigenvalues) # 输出：特征值： [-0.37228132 5.37228132]

print("特征向量：\n", eigenvectors)

# 输出：特征向量：

# [[-0.82456484 -0.41597356]

# [ 0.56576746 -0.90937671]]

随机数生成

NumPy 的 random 模块提供了多种生成随机数的函数。

np.random.rand()：生成 [0,1) 之间的随机数。

# 生成形状为 (2, 3) 的随机数组

print(np.random.rand(2, 3))

# 输出（每次运行结果可能不同）：

# [[0.4618034 0.01623568 0.85273445]

# [0.49533646 0.89013761 0.97617472]]

np.random.randint()：生成指定范围内的随机整数。

# 生成形状为 (3, 2)，范围在 [1, 10) 的随机整数

print(np.random.randint(1, 10, size=(3, 2)))

# 输出（每次运行结果可能不同）：

# [[5 3]

# [7 9]

# [2 6]]

np.random.normal()：生成符合正态分布的随机数。

# 生成形状为 (1, 5)，均值为 0，标准差为 1 的正态分布随机数

print(np.random.normal(0, 1, size=(1, 5)))

# 输出（每次运行结果可能不同）：

# [[-0.3264997 -0.76003135 0.22776465 1.44944949 0.42473946]]