一、NumPy简介
NumPy是Python语言中最重要的科学计算库之一，它提供了高效的多维数组对象和基于数组的函数，可以用于对大量数据进行快速的数据处理和科学计算。与Python内置的列表不同，NumPy数组是一种特殊的数组类型，它可以存储任意维度的数字，支持快速的数值运算和逻辑运算，并提供了各种数学函数和统计函数。除了数值计算之外，NumPy还有许多其他应用，例如图像处理、信号处理、文本处理等等。
NumPy于2005年首次发布，目前最新版本为1.20.1版。
二、NumPy数组的创建与访问
NumPy数组可以通过多种方式来创建，最常见的方法是使用array()函数将Python的列表或元组转换为数组。例如：
import numpy as np
# 创建一维数组
a = np.array([1, 2, 3, 4, 5])
print(a) # [1 2 3 4 5]
# 创建二维数组
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)
# [[1 2 3]
# [4 5 6]]NumPy数组可以使用下标访问元素，与Python的列表类似：
a = np.array([1, 2, 3, 4, 5])
print(a[0]) # 1
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b[1, 2]) # 6另外，NumPy还提供了一些方便的函数来创建特定类型的数组，例如zeros()函数可以返回一个全是0的数组：
c = np.zeros(5)
print(c) # [0. 0. 0. 0. 0.]三、NumPy数组的运算与操作
NumPy数组有多种数值运算和逻辑运算，可以对数组进行各种操作。
例如，可以对数组进行加、减、乘、除等运算：
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b) # [5 7 9]
print(a - b) # [-3 -3 -3]
print(a * b) # [ 4 10 18]
print(b / a) # [4. 2.5 2. ]还可以使用各种广播功能来处理不同形状的数组，例如：
A = np.array([[1, 2], [3, 4]])
b = np.array([10, 20])
print(A * b)
# [[10 40]
# [30 80]]此外，NumPy还提供了一些常见的数组操作函数，例如reshape()函数可以改变数组的形状：
a = np.array([1, 2, 3, 4, 5, 6])
b = a.reshape(2, 3)
print(b)
# [[1 2 3]
# [4 5 6]]四、NumPy数组的统计函数
NumPy还提供了许多用于数组统计的函数，例如最小值min()、最大值max()、平均值mean()等等，以下是一些常用函数的示例：
a = np.array([1, 2, 3, 4, 5, 6])
print(np.min(a)) # 1
print(np.max(a)) # 6
print(np.mean(a)) # 3.5
print(np.median(a)) # 3.5可以对多维数组进行统计操作，可以使用axis参数来指定沿哪个轴进行操作。
b = np.array([[1, 2, 3], [4, 5, 6]])
print(np.min(b, axis=0)) # [1 2 3]
print(np.max(b, axis=1)) # [3 6]五、NumPy数组的应用
NumPy数组广泛应用于科学计算、数据分析和机器学习等领域。以下是一些常见的应用示例。
（1）图像处理
图像是像素的二维数组，可以使用NumPy数组来进行图像的读取、处理和绘制等操作。
import numpy as np
from PIL import Image
# 使用Pillow库来读取图片
img = Image.open('test.jpg')
# 将图片转换为NumPy数组
img_arr = np.array(img)
# 显示图片
import matplotlib.pyplot as plt
plt.imshow(img_arr)
（2）信号处理
信号是数字信号的一维或二维数组，可以使用NumPy数组来进行信号处理、滤波和谱分析等操作。
import numpy as np
import scipy.signal as signal
# 生成一个正弦函数
t = np.linspace(0, 1, 1000, endpoint=False)
x = np.sin(2 * np.pi * 5 * t)
# 给正弦函数加上一些随机噪声
x = x + 0.1 * np.random.randn(len(x))
# 使用NumPy和SciPy库来进行信号处理
b, a = signal.butter(4, 0.1)
y = signal.filtfilt(b, a, x)
# 显示信号
import matplotlib.pyplot as plt
plt.plot(t, x, 'r-', linewidth=1)
plt.plot(t, y, 'b-', linewidth=2)
plt.show()
（3）文本处理
文本数据可以表示为字符串的一维数组或二维数组，可以使用NumPy数组来进行文本处理、特征提取和分类等操作。
import numpy as np
import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
# 创建一个文本数组
texts = np.array([
'I love Python.',
'Python is a programming language.',
'Python is better than Java.'
])
# 使用CountVectorizer来提取文本特征
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(texts)
# 将稀疏矩阵转换为密集矩阵
X = X.todense()
# 将特征矩阵转换为DataFrame格式
df = pd.DataFrame(X, columns=vectorizer.get_feature_names())
# 显示特征矩阵
print(df)
