在机器学习和深度学习领域，NumPy 是一个不可或缺的工具。它为 Python 提供了强大的科学计算支持，尤其是其核心数据结构——多维数组（ndarray）。今天，我们就来深入了解一下 NumPy 的核心数据结构以及它的基本操作。
为什么学习 NumPy？
NumPy 是 Python 中用于科学计算的基础包，它提供了高效的多维数组对象以及针对数组的各种快速操作。无论是 PyTorch 还是 TensorFlow，这些主流的深度学习框架中的基本计算单元 Tensor，都与 NumPy 数组有着类似的计算逻辑。因此，掌握 NumPy 对于学习这些框架以及进行数据科学和科学计算都至关重要。
安装 NumPy
安装 NumPy 非常简单，可以通过以下命令进行安装：
bash复制
conda install numpy
或者使用 pip：
bash复制
pip install numpy
NumPy 数组
NumPy 数组是 NumPy 的核心，它是一个多维数组对象，称为 ndarray。与 Python 中的列表相比，NumPy 数组具有以下特点：
- 固定大小：NumPy 数组在创建时大小固定，不能动态改变。如果需要改变大小，需要创建一个新的数组。
- 数据类型一致：NumPy 数组中的所有元素必须具有相同的数据类型。
- 高效运算：NumPy 对数组运算进行了优化，速度更快，且占用内存更少。
创建数组
创建 NumPy 数组最简单的方法是将一个列表传入 np.array() 或 np.asarray()。例如：
Python复制
import numpy as np
# 创建一维数组
arr_1_d = np.asarray([1])
print(arr_1_d) # 输出：[1]
# 创建二维数组
arr_2_d = np.asarray([[1, 2], [3, 4]])
print(arr_2_d) # 输出：
# [[1 2]
# [3 4]]
数组的属性
NumPy 数组有多个重要的属性，包括维度、形状、大小和数据类型。
ndim
ndim 表示数组的维度数。例如：
Python复制
print(arr_1_d.ndim) # 输出：1
print(arr_2_d.ndim) # 输出：2
shape
shape 表示数组的形状，是一个整数元组。例如：
Python复制
print(arr_1_d.shape) # 输出：(1,)
print(arr_2_d.shape) # 输出：(2, 2)
size
size 表示数组中元素的总数，等于 shape 中各维度大小的乘积。例如：
Python复制
print(arr_2_d.size) # 输出：4
dtype
dtype 表示数组中元素的数据类型。例如：
Python复制
print(arr_2_d.dtype) # 输出：int64
数组的形状变换
可以使用 reshape() 方法改变数组的形状，但需要注意变换前后数组的元素总数必须一致。例如：
Python复制
arr_2_d = np.asarray([[1, 2], [3, 4]])
print(arr_2_d.reshape((4, 1))) # 输出：
# [[1]
# [2]
# [3]
# [4]]
其他创建数组的方法
NumPy 提供了多种方法来创建数组：
np.ones() 和 np.zeros()
np.ones() 创建全为 1 的数组，np.zeros() 创建全为 0 的数组。例如：
Python复制
print(np.ones(shape=(2, 3))) # 输出：
# [[1. 1. 1.]
# [1. 1. 1.]]
print(np.zeros(shape=(2, 3))) # 输出：
# [[0. 0. 0.]
# [0. 0. 0.]]
np.arange()
np.arange() 创建一个在指定区间内的数组。例如：
Python复制
print(np.arange(5)) # 输出：[0 1 2 3 4]
print(np.arange(2, 9, 3)) # 输出：[2 5 8]
np.linspace()
np.linspace() 创建一个等差数列。例如：
Python复制
print(np.linspace(start=2, stop=10, num=3)) # 输出：[ 2. 6. 10.]
数组的轴
轴是 NumPy 数组中的一个重要概念，它经常出现在聚合函数中。例如，np.sum() 和 np.max() 等函数可以通过指定轴来实现不同的聚合操作。
对于一个二维数组，axis=0 表示沿着行的方向聚合，axis=1 表示沿着列的方向聚合。例如：
Python复制
interest_score = np.random.randint(10, size=(4, 3))
print(interest_score) # 输出一个随机生成的 4x3 数组
# 沿着 axis=0 求和
print(np.sum(interest_score, axis=0)) # 输出每列的和
# 沿着 axis=1 求和
print(np.sum(interest_score, axis=1)) # 输出每行的和
对于更高维度的数组，axis 的含义可以类推。例如，对于一个形状为 (3, 2, 3) 的三维数组，axis=0 表示沿着第一个维度聚合，axis=1 表示沿着第二个维度聚合，axis=2 表示沿着第三个维度聚合。
小结
NumPy 是 Python 中用于科学计算的基础包，它的核心是多维数组对象 ndarray。通过掌握 NumPy 的数组创建、属性访问以及形状变换，我们可以更高效地进行数据处理。此外，理解数组的轴的概念对于使用聚合函数进行数据操作至关重要。
