這八個NumPy函數可以解決90%的常見問題
NumPy是一個用于科學計算和數據分析的Python庫，也是機器學習的支柱。可以說NumPy奠定了Python在機器學習中的地位。NumPy提供了一個強大的多維數組對象，以及廣泛的數學函數，可以對大型數據集進行有效的操作。這里的“大”是指數百萬行。
Numpy快速而高效的原因是底層的C代碼，這比使用Python進行數組的操作要快上幾百倍，并且隨著數據量級的上升而上升。
本文中整理了一些可以解決常見問題的主要的NumPy函數。
1、創建數組
numpy.array：創建新的NumPy數組
# Create an array using np.array()
arr = np.array([1, 2, 3, 4, 5])
print(arr)
Ouput: [1 2 3 4 5]numpy.zeros：創建一個以零填充的數組。
# Create a 2-dimensional array of zeros
arr = np.zeros((3, 4))
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]類似的還有numpy.ones：創建一個都是1的數組 / numpy.empty:在不初始化數組元素的情況下創建數組。
使用numpy.random：生成隨機數組的函數。
# Generate a random integer between 0 and 9
rand_int = np.random.randint(10)
print(rand_int)numpy.linspace：在指定范圍內生成均勻間隔的數字。
# Generate an array of 5 values from 0 to 10 (inclusive)
arr = np.linspace(0, 10, 5)
# Print the array
print(arr)
[ 0. 2.5 5. 7.5 10. ]numpy.range：用間隔的值創建數組。
# Generate an array from 0 to 10 (exclusive) with step size 1
arr = np.arange(0, 10, 2)
# Print the array
print(arr)
[1 3 5 7 9]2、查看數組信息
numpy.shape：返回一個表示數組形狀的元組。
numpy.ndim：返回數組的維度數。
numpy.dtype：獲取數組中元素的數據類型。可以是int型，float型，bool型等等。
3、數組操作函數
numpy.reshape：改變數組的形狀。
# Create a 1-dimensional array
arr = np.array([1, 2, 3, 4, 5, 6])
# Reshape the array to a 2x3 matrix
reshaped_arr = np.reshape(arr, (2, 3))
[[1 2 3]
[4 5 6]]numpy.transpose：用于排列數組的維度。它返回一個軸調換后的新數組。
# Create a 2-dimensional array
arr = np.array([[1, 2, 3],
[4, 5, 6]])
# Transpose the array
transposed_arr = np.transpose(arr)
[[1 4]
[2 5]
[3 6]]numpy.concatate：沿現有軸連接數組。
# Create two 1-dimensional arrays
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# Concatenate the arrays along axis 0 (default)
concatenated_arr = np.concatenate((arr1, arr2))
[1 2 3 4 5 6]numpy.split：分割數據，numpy.resize:改變數組的形狀和大小。
numpy.vstack：將多個數組垂直堆疊以創建一個新數組。
# Create two 1-dimensional arrays
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# Vertically stack the arrays
stacked_arr = np.vstack((arr1, arr2))
[[1 2 3]
[4 5 6]]numpy.hstack：與vstack類似，但是是水平堆疊數組。
4、數學函數
numpy.sum：計算數組元素的和。
numpy.mean：計算數組的算術平均值。
numpy.max：返回數組中的最大值。
numpy.min：返回數組中的最小值。
numpy.abs：計算元素的絕對值。
numpy.exp：計算所有元素的指數。
numpy.subtract：對兩個數組的對應元素進行減法運算。
numpy.multiply：對兩個數組的對應元素進行乘法運算。
numpy.divide：對兩個數組的對應元素進行除法運算。
numpy.sin：計算數組中每個元素的正弦值。
numpy.cos：計算數組中每個元素的余弦值。
numpy.log：計算數組中每個元素的自然對數（以e為底的對數）。
5、統計函數
numpy.std:計算數組的標準差。
# Create a 1-dimensional array
arr = np.array([1, 2, 3, 4, 5])
# Compute the standard deviation of the array
std = np.std(arr)
1.4142135623730951numpy.var：計算數組的方差。
numpy.histogram：計算一組數據的直方圖。
numpy.percentile：計算數組的第n個百分位數。它返回低于給定百分比的數據的值。
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# Calculate the 50th percentile (median) of the data
median = np.percentile(data, 50)
# Calculate the 25th and 75th percentiles (quartiles) of the data
q1 = np.percentile(data, 25)
q3 = np.percentile(data, 75)
Median: 5.5
Q1: 3.25
Q3: 7.75numpy.corcoef：計算兩個數組之間的相關系數。numpy.mean: 計算數組元素的平均值。numpy.median：計算數組元素的中位數。
numpy.random.rand：在區間[0,1]內從均勻分布生成隨機數數組
# Generate a 1-dimensional array of random numbers
random_array = np.random.rand(5)
[0.35463311 0.67659889 0.5865293 0.77127035 0.13949178]numpy.random.normal：從正態(高斯)分布生成隨機數
# Generate a random number from a normal distribution
random_number = np.random.normal()
-0.65327852852056656、線性代數函數
numpy.dot：計算兩個數組的點積。
# Create two arrays
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
# Compute the dot product of the arrays
dot_product = np.dot(a, b)
32numpy.linalg.inv:計算一個方陣的逆, numpy.linalg.eig:一個方陣的特征值和特征向量。numpy.linalg.solve:求解一個線性方程組。
7、排序函數
numpy.sort：沿指定軸返回數組的排序副本
# Create a 2D array
arr = np.array([[3, 1, 5], [2, 4, 6]])
# Sort the array along the second axis (columns)
sorted_arr = np.sort(arr, axis=1)
[[1 3 5]
[2 4 6]]numpy.argsort：返回按升序對數組排序的索引
# Create an array
arr = np.array([3, 1, 5, 2, 4])
# Get the indices that would sort the array
sorted_indices = np.argsort(arr)
[1 3 0 4 2]8、其他一些高級的函數
numpy.unique：在數組中查找唯一的元素。
arr = np.array([2, 1, 3, 2, 1, 4, 5, 4])
# Get the unique elements of the array
unique_values = np.unique(arr)
[1 2 3 4 5]numpy.fft：傅里葉變換的函數。
numpy.ma：供對掩碼數組的支持。
- numpy.ma.array：從現有的數組或序列創建一個掩碼數組。
- numpy.ma.masked_array：從現有數組和掩碼中創建一個掩碼數組。
- numpy.ma.mask：表示掩碼數組中的掩碼值。
- numpy.ma.masked_invalid：屏蔽數組中無效的(NaN, Inf)元素。
- numpy.ma.masked_greate, numpy.ma.masked_less：掩碼大于或小于給定值的元素。
arr = np.array([1, 2, 3, np.nan, 5])
# Create a masked array by masking the invalid values
masked_arr = ma.masked_invalid(arr)
[1 2 3 5]numpy.apply_along_axis：沿著數組的特定軸應用函數。
numpy.wheres：一個條件函數，根據給定條件返回數組中滿足條件的元素的索引或值。
condition = np.array([True, False, True, False])
# Create two arrays
array_true = np.array([1, 2, 3, 4])
array_false = np.array([5, 6, 7, 8])
result = np.where(condition, array_true, array_false)
[1 6 3 8]以上就是Numpy最經常被使用的函數，希望對你有所幫助。
