Python 中的 NumPy 简介

或者，我们可以 dtype=str 在定义数组时进行设置。可以按如下方式创建布尔值数组：

>>> np.array([[1, 1, 0, 0], [0, 1, 0, 1]], dtype=bool)
array([[True, True, False, False],
           [False, True, False, True]])

如果您想屏蔽另一个数组中的某些值，这可能会很有用。

有多种方法可以定义一个数组，其中任意值作为占位符，以便稍后填充实际数据。 numpy.ones() 和 numpy.zeros() 函数分别创建一个用 1 和 0 填充的数组。

该 numpy.empty() 函数创建一个数组而不初始化条目。此特定函数要求用户手动设置数组中的所有值，应谨慎使用。但是，它可能比其他两个函数快一点。

要使用这些函数，需要指定数组的大小：

>>> np.zeros((3, 2))
array([[0., 0.],
       [0., 0.],
       [0., 0.]])

可以使用两个有用的 NumPy 函数定义具有固定序列的数组： arange 和 linspace 。对于 arange ，您需要指定起始值和终止值以及步长。例如：

>>> np.arange(2, 20, 4)
array([ 2, 6, 10, 14, 18])

这类似于内置函数 range() ，可用于循环。有关 Python 中循环的更多详细信息， 本文 linspace 中的函数返回由起始值和终止值定义的间隔内均匀分布的数字。使用与上一个示例相同的参数可得出：

>>> np.linspace(2, 20, 4)
array([ 2., 8., 14., 20.])

此处，第三个参数定义要返回的值的数量，而不是像前一个示例中那样定义步长。要查看如何使用此函数为时间轴生成均匀分布的值的示例，请参阅 本文 。类似的函数 logspace 返回对数刻度上均匀分布的数字。尝试一下，看看会得到什么。

读取和写入 CSV

大多数情况下，您希望将文件中保存的数据读入 NumPy 数组。NumPy 附带一些函数来帮助加载和保存数组。这些函数专注于处理二进制数据或存储在文本文件中的数据。这两个函数 load() 提供 save() 将数组加载和保存到二进制文件的功能。

如果您正在使用文本文件（特别是 Python 中的 CSV），则读取和写入数组到文件的最佳方法是使用 loadtxt() 和 savetxt() 函数。后者有两个必需参数， fname 和 X ，分别定义文件名和要保存的数组数据。要保存到 CSV，您还需要指定一个 delimiter 。为了演示这一点，让我们创建一个 2 x 4 数组，将其保存到 CSV，然后将其读回：

>>> ar = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
>>> np.savetxt('output_array.csv', ar, delimiter=',')
>>> ar_read = np.loadtxt('output_array.csv', delimiter=',')
>>> ar_read
array([[1., 2., 3., 4.],
       [5., 6., 7., 8.]])

您也可以使用纯 Python 和内置 open() 函数。这里有 一篇 关于用 Python 写入文件的文章，向您展示了如何操作。如果您在 Python 中处理大量文件，这里有 一篇文章 ，其中有一些关于如何以编程方式重命名文件的提示。

一些 NumPy 数组方法

现在我们已经介绍了在 Python 中创建数组的方法，让我们看看你可以用它做什么。NumPy 有许多有用且高度优化的方法，可让你执行数组操作并获取有关数组的其他信息。

正如我们在介绍中提到的，对数组执行基本运算（例如 array1 + array2 乘以标量）非常简单。对于线性代数，有一些有效的函数，例如用于计算点积或叉积或对数组进行转置。

一个常见的需求是汇总数组的内容。NumPy 包含用于计算统计数据的函数，例如平均值、中位数、标准差等。这些函数很有用，因为它们允许您指定一个轴来计算统计数据。默认情况下，统计数据是在扁平数组上计算的。例如：

>>> ar = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
>>> np.mean(ar)
4.5

>>> np.mean(ar, axis=0)
array([3., 4., 5., 6.])

>>> np.mean(ar, axis=1)
array([2.5, 6.5])

指定 axis=0 计算列的平均值，并 axis=1 计算行的平均值。现在我们知道如何生成汇总统计数据，我们可以找到行的平均值并将此信息附加到数组中的新列：

>>> row_mean = np.mean(ar, axis=1).reshape(2, 1)
>>> new_ar = np.append(ar, row_mean, axis=1)
>>> new_ar
array([[1., 2., 3., 4., 2.5],
       [5., 6., 7., 8., 6.5]])

在这里，我们计算统计数据，重塑它，然后使用附加函数将其添加为新列。请注意，整个数组的数据类型已更改，因为我们的汇总统计数据是浮点数。

继续使用 NumPy

NumPy 是 Python 数据分析的基础工具。它是一个成熟的库，拥有大量有用的函数和方法，并且以速度和效率为核心。现在您已经了解了 Python NumPy 的基础知识，您可以使用在这里学到的知识来提高项目的效率。

可视化数据是数据科学过程中的重要一步。我们有两篇文章（ 第 1 部分 和 第 2 部分 ）介绍了如何在 Python 中使用 Matplotlib 进行绘图。