企业官网建设流程全解析

了解网站建设管理,wordpress 菜单相册,网站seo优化如何做,win10 安装wordpress文章目录前言一、简介1.1 历史背景1.2 核心功能1.3 技术生态1.4 环境配置二、Ndarray 对象2.1 基本概念2.2 创建数组2.3 构造函数参数三、数据类型系统3.1 标量数据类型3.2 数据类型对象#xff08;dtype#xff09;3.3 结构化类型的字段信息四、数组属性与操作4.1 形状操作4…文章目录前言一、简介1.1 历史背景1.2 核心功能1.3 技术生态1.4 环境配置二、Ndarray 对象2.1 基本概念2.2 创建数组2.3 构造函数参数三、数据类型系统3.1 标量数据类型3.2 数据类型对象dtype3.3 结构化类型的字段信息四、数组属性与操作4.1 形状操作4.2 索引与切片五、广播机制5.1 广播规则5.2 数组迭代六、数组操作分类6.1 修改形状6.2 连接与分割6.3 添加/删除元素七、数学运算7.1 基本算术7.2 三角函数与舍入7.3 统计函数八、排序与搜索8.1 排序算法比较8.2 线性代数九、数据可视化Matplotlib 集成9.1 基本绘图9.2 直方图十、字符串与位操作10.1 字符串函数10.2 位操作总结前言NumPyNumerical Python是一个功能强大的 Python 库主要用于科学计算。它提供了一个高性能的多维数组对象ndarray以及用于操作这些数组的大量工具函数。一、简介1.1 历史背景NumPy 的发展历程Numeric由 Jim Hugunin 开发是 NumPy 的前身Numarray另一个包含额外功能的数值计算包2005年Travis Oliphant 将 Numarray 功能整合到 Numeric 中创建了 NumPy开源项目拥有来自全球的众多贡献者1.2 核心功能NumPy 主要提供以下功能多维数组操作高效的数组算术和逻辑运算数学函数傅里叶变换、线性代数运算、随机数生成科学计算基础与 SciPy、Matplotlib 等库协同工作1.3 技术生态NumPy 通常与以下库一起使用SciPy科学计算扩展Matplotlib数据可视化这种组合构成了强大的科学计算平台常被用作 MATLAB 的替代方案1.4 环境配置安装方法bash# 使用 pip 安装pipinstallnumpy# 或使用科学计算发行版推荐初学者# Anaconda 或 Miniconda 已包含完整科学计算栈在线环境官方推荐TutorialsPoint CodingGround优势无需本地安装可直接尝试示例代码二、Ndarray 对象2.1 基本概念ndarray 是 NumPy 的核心对象具有以下特点N 维同类型数据容器零基索引访问内存中连续存储固定大小的数据类型dtype2.2 创建数组pythonimportnumpyasnp# 从列表创建arr1np.array([1,2,3])# 多维数组arr2np.array([[1,2],[3,4]])# 指定维数arr3np.array([1,2,3,4,5],ndmin2)# 指定数据类型arr4np.array([1,2,3],dtypecomplex)2.3 构造函数参数python numpy.array(object,dtypeNone,copyTrue,orderNone,subokFalse,ndmin0)参数说明object数组数据源列表、元组等dtype数组元素类型copy是否创建副本order内存布局C’行优先/F’列优先subok是否允许子类ndmin最小维度数三、数据类型系统3.1 标量数据类型NumPy 支持比 Python 更丰富的数值类型类型描述范围/特征bool布尔值True/Falseint8/int16/int32/int64有符号整数8/16/32/64位uint8/uint16/uint32/uint64无符号整数8/16/32/64位float16/float32/float64浮点数半/单/双精度complex64/complex128复数实部虚部分别为32/64位浮点3.2 数据类型对象dtypedtype 对象描述如何解释内存块数据类型整数、浮点等数据大小字节数字节序大端/小端3.3 结构化类型的字段信息python# 创建 dtype 对象dt1np.dtype(np.int32)dt2np.dtype(i4)# 使用类型代码dt3np.dtype(i4)# 大端字节序# 结构化数据类型student_dtypenp.dtype([(name,S20),# 字符串20字节(age,i1),# 1字节整数(marks,f4)# 4字节浮点])# 应用结构化类型studentsnp.array([(Alice,20,85.5),(Bob,22,92.0)],dtypestudent_dtype)四、数组属性与操作4.1 形状操作python# 查看形状arrnp.array([[1,2,3],[4,5,6]])print(arr.shape)# 输出: (2, 3)# 重塑形状reshapedarr.reshape(3,2)# 展平数组flattenedarr.flatten()# 返回副本raveledarr.ravel()# 返回视图可能4.2 索引与切片python# 基础切片arrnp.arange(10)print(arr[2:7:2])# [2 4 6]# 多维切片arr2dnp.array([[1,2,3],[4,5,6],[7,8,9]])print(arr2d[1:3,1:3])# [[5 6] [8 9]]# 高级索引整数rowsnp.array([0,1,2])colsnp.array([0,1,0])print(arr2d[rows,cols])# [1 5 7]# 布尔索引print(arr2d[arr2d5])# [6 7 8 9]五、广播机制5.1 广播规则广播允许不同形状数组进行算术运算维度较小的数组在前面补 1输出数组每个维度的大小是输入数组该维度大小的最大值输入数组的某个维度大小为 1 时可沿该维度扩展python# 示例向量与标量运算anp.array([1,2,3])bnp.array([10,20,30])ca*b# 对应元素相乘5.2 数组迭代python# 使用 nditer 迭代arrnp.arange(0,60,5).reshape(3,4)forelementinnp.nditer(arr):print(element,end )六、数组操作分类6.1 修改形状函数描述reshape改变数组形状而不改变数据flat数组的一维迭代器flatten返回展平后的数组副本ravel返回展平后的数组视图6.2 连接与分割类别函数描述连接concatenate沿现有轴连接数组连接stack沿新轴堆叠数组连接hstack/vstack水平/垂直堆叠分割split将数组分割为多个子数组分割hsplit/vsplit水平/垂直分割6.3 添加/删除元素函数描述resize改变数组形状可修改大小append在数组末尾添加值insert在指定位置插入值delete删除指定位置的元素unique返回数组的唯一值七、数学运算7.1 基本算术python anp.array([[1,2],[3,4]])bnp.array([[5,6],[7,8]])# 逐元素运算print(np.add(a,b))# 加法print(np.subtract(a,b))# 减法print(np.multiply(a,b))# 乘法print(np.divide(a,b))# 除法7.2 三角函数与舍入python# 三角函数弧度制anglesnp.array([0,np.pi/2,np.pi])print(np.sin(angles))# 舍入arrnp.array([1.234,2.567,3.891])print(np.around(arr,2))# 保留两位小数7.3 统计函数函数描述amin/amax最小值/最大值ptp极差最大值-最小值percentile百分位数median中位数mean算术平均数average加权平均数std标准差var方差八、排序与搜索8.1 排序算法比较算法速度最坏情况稳定性quicksort最快O(n²)不稳定mergesort中等O(n log n)稳定heapsort较慢O(n log n)不稳定python# 排序示例arrnp.array([[3,7],[9,1]])print(np.sort(arr))# 默认按行排序print(np.sort(arr,axis0))# 按列排序# 结构化数组排序dtype[(name,S10),(age,int)]datanp.array([(Alice,25),(Bob,20)],dtypedtype)print(np.sort(data,ordername))# 按姓名排序8.2 线性代数python# 矩阵运算anp.array([[1,2],[3,4]])bnp.array([[5,6],[7,8]])print(np.dot(a,b))# 矩阵乘法print(np.linalg.det(a))# 行列式print(np.linalg.inv(a))# 逆矩阵九、数据可视化Matplotlib 集成9.1 基本绘图pythonimportnumpyasnpimportmatplotlib.pyplotasplt# 线性图xnp.arange(1,11)y2*x5plt.plot(x,y)plt.show()# 散点图plt.plot(x,y,ob)# 蓝色圆点plt.show()# 子图xnp.arange(0,3*np.pi,0.1)y_sinnp.sin(x)y_cosnp.cos(x)plt.subplot(2,1,1)plt.plot(x,y_sin)plt.title(Sine)plt.subplot(2,1,2)plt.plot(x,y_cos)plt.title(Cosine)plt.show()9.2 直方图python# 数据分布可视化datanp.array([22,87,5,43,56,73,55,54,11,20,51,5,79,31,27])plt.hist(data,bins[0,20,40,60,80,100])plt.title(Histogram)plt.show()十、字符串与位操作10.1 字符串函数python# 向量化字符串操作arrnp.array([hello,world])print(np.char.add(arr,!))# 添加后缀print(np.char.multiply(arr,3))# 重复字符串print(np.char.upper(arr))# 转为大写10.2 位操作python# 位运算a,b13,17print(np.bitwise_and(a,b))# 位与print(np.bitwise_or(a,b))# 位或print(np.left_shift(a,2))# 左移总结NumPy 作为 Python 科学计算的基石其高效的多维数组操作和丰富的数学函数库使其成为数据科学、机器学习、工程计算等领域的必备工具。通过掌握 NumPy 的核心概念和常用操作可以显著提升科学计算的效率和代码质量。