1.介绍及说明
NumPy 是一个开源的 Python 库，专门用于科学计算和数值处理。它提供了强大的多维数组对象和丰富的函数库，支持高效的数组运算。NumPy 是许多其他科学计算库（如 SciPy、Pandas、Matplotlib 等）的基础。以下是对 NumPy 的详细介绍和说明。
2.NumPy 的主要特点
1.多维数组对象（ndarray）：NumPy 提供了一个高效的多维数组对象，称为 ndarray，支持快速的算术运算和数组操作。
2.广播（Broadcasting）：NumPy 支持广播机制，可以在不同形状的数组之间进行算术运算，而无需显式地复制数据。
3.标准数学函数：NumPy 提供了大量的数学函数，包括基本算术运算、统计函数、线性代数函数等。
4.随机数生成：NumPy 包含一个强大的随机数生成器，支持各种概率分布的随机数生成。
5.数组操作：NumPy 提供了丰富的数组操作函数，包括数组切片、索引、连接、分割、形状操作等。
6.与 C/C++ 和 Fortran 代码的集成：NumPy 可以与 C/C++ 和 Fortran 代码进行无缝集成，支持高性能计算。
3.安装 NumPy
使用 pip 可以轻松安装 NumPy：
pip install numpy
代码秀：
def test():
installs = [
"1. pip install numpy",
"3. 还可以试试豆瓣的源：pip install numpy -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com",
"2. 如果装不了，就试试阿里的源：pip install numpy -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com",
]
installs.sort(key=lambda i: i[0])
for step in installs:
items = step.split("：")
print(items[0])
if len(items) > 1:
print(f" {items[1]}")
if __name__ == '__main__':
test()
4.NumPy 基础示例
以下是一些 NumPy 的基础示例代码，展示了其主要功能和用法。
1.创建数组：
import numpy as np
# 创建一维数组
a = np.array([1, 2, 3, 4, 5])
print(a)
# 创建二维数组
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)
# 创建全零数组
c = np.zeros((2, 3))
print(c)
# 创建全一数组
d = np.ones((3, 3))
print(d)
# 创建单位矩阵
e = np.eye(3)
print(e)
# 创建等差数组
f = np.arange(0, 10, 2)
print(f)
2.数组运算：
# 数组加法
g = a + 1
print(g)
# 数组乘法
h = a * 2
print(h)
# 数组间运算
i = a + np.array([5, 4, 3, 2, 1])
print(i)
# 广播机制
j = a + np.array([[1], [2], [3], [4], [5]])
print(j)
3.数组切片和索引：
k = np.array([1, 2, 3, 4, 5])
print(k[1:3]) # 切片
print(k[::2]) # 步长为2的切片
l = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(l[1, :]) # 第二行
print(l[:, 1]) # 第二列
print(l[1, 1]) # 元素 (1,1)
4.数组形状操作：
m = np.array([[1, 2, 3], [4, 5, 6]])
print(m.shape) # 数组形状
n = m.reshape((3, 2)) # 重塑数组
print(n)
o = m.flatten() # 展平数组
print(o)
5.线性代数：
p = np.array([[1, 2], [3, 4]])
q = np.array([[5, 6], [7, 8]])
# 矩阵乘法
r = np.dot(p, q)
print(r)
# 矩阵转置
s = np.transpose(p)
print(s)
# 逆矩阵
t = np.linalg.inv(p)
print(t)
# 特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(p)
print(eigenvalues)
print(eigenvectors)
6.随机数生成：
# 生成均匀分布的随机数
u = np.random.rand(3, 3)
print(u)
# 生成正态分布的随机数
v = np.random.randn(3, 3)
print(v)
# 生成整数随机数
w = np.random.randint(0, 10, (3, 3))
print(w)5.NumPy 功能示例
1.取列表中最小的前几位
import numpy as np
def get_top_n(array, top_n):
top_n_indexs = np.argsort(array)[0:top_n]
results = [array[index] for index in top_n_indexs]
return results
if __name__ == '__main__':
ret = get_top_n(np.array([1, 3, 34, 4, 5, 6]), 3)
print(ret)运行结果：
2.取列表中最大的前几位
import numpy as np
def get_top_n(array, top_n):
top_n_indexs = np.argsort(array)[:-(top_n+1):-1]
results = [array[index] for index in top_n_indexs]
return results
if __name__ == '__main__':
ret = get_top_n(np.array([1, 3, 34, 4, 5, 6]), 3)
print(ret)运行结果：
分析：
上面代码定义了一个函数 get_top_n，用于从一个 NumPy 数组中获取最大的 top_n 个元素。代码逻辑非常清晰，使用了 np.argsort 函数来获取排序后的索引，然后利用这些索引获取相应的数组元素。
以下是对代码的详细解读：
1.np.argsort(array) 返回的是数组元素从小到大的索引。
2.[:-(top_n+1):-1] 是一个切片操作，用于获取从末尾向前数的 top_n 个索引，对应的就是数组中最大的 top_n 个元素的索引。
3.[array[index] for index in top_n_indexs] 是一个列表推导式，用于根据这些索引获取数组中的相应元素。
代码的功能是正确的，但使用列表推导式可能会稍微影响性能，因为它会将 NumPy 数组转换为 Python 列表。你可以直接使用 NumPy 数组来提高性能和简洁性。
以下是优化后的版本：
import numpy as np
def get_top_n(array, top_n):
top_n_indexs = np.argsort(array)[-top_n:][::-1]
results = array[top_n_indexs]
return results
if __name__ == '__main__':
ret = get_top_n(np.array([1, 3, 34, 4, 5, 6]), 3)
print(ret)
在这个优化版本中，results 直接使用了 NumPy 数组的切片和索引功能，避免了将数组转换为列表的操作。这样做不仅能提高性能，还能保持代码的简洁性。
测试结果
运行优化后的代码，结果如下：
[34 6 5]
这表明函数正确地返回了数组中最大的 3 个元素 [34, 6, 5]。
import numpy as np
def get_top_n(array, top_n):
top_n_indexs = np.argsort(array)[:-top_n:-1]
results = [array[index] for index in top_n_indexs]
return results
if __name__ == '__main__':
ret = get_top_n(np.array([1, 3, 34, 4, 5, 6]), 3)
print(ret)
![[Linux]：权限](https://img-blog.csdnimg.cn/img_convert/78725bfe3bd4453089af7bc02590cf9c.png)
