在数据处理和科学计算中，NumPy 是一个非常强大且基础的库。除了基本的创建数组功能之外，NumPy 提供了许多强大的函数和方法，用于执行高级的矩阵运算、统计分析、逻辑操作等。以下是一些常用且非常有用的 NumPy 指令，涵盖了创建数组、操作数组、数学运算、矩阵操作等方面。

---

NumPy 常用指令

1. 创建数组

• array()：从列表或元组创建一个 NumPy 数组。

  arr = np.array([1, 2, 3])
  print(arr)  # 输出：[1 2 3]
  

• zeros()：创建一个全零数组。

  zeros_arr = np.zeros((3, 3))
  print(zeros_arr)
  

• ones()：创建一个全一数组。

  ones_arr = np.ones((2, 3))
  print(ones_arr)
  

• empty()：创建一个空数组（未初始化，包含任意值）。

  empty_arr = np.empty((2, 2))
  print(empty_arr)
  

• arange()：生成等差数列。

  arange_arr = np.arange(0, 10, 2)
  print(arange_arr)  # 输出：[0 2 4 6 8]
  

• linspace()：生成在指定范围内均匀分布的值。

  lin_arr = np.linspace(0, 1, 5)
  print(lin_arr)  # 输出：[0.   0.25 0.5  0.75 1.  ]
  

• eye()：创建单位矩阵（对角线为 1，其余元素为 0）。

  identity_matrix = np.eye(3)
  print(identity_matrix)
  

2. 数学运算

• sum()：计算数组元素的和。

  arr = np.array([1, 2, 3, 4])
  print(np.sum(arr))  # 输出：10
  

• mean()：计算数组元素的平均值。

  print(np.mean(arr))  # 输出：2.5
  

• std()：计算数组元素的标准差。

  print(np.std(arr))  # 输出：1.118033988749895
  

• min() 和 max()：找出数组中的最小值和最大值。

  print(np.min(arr))  # 输出：1
  print(np.max(arr))  # 输出：4
  

• prod()：计算数组所有元素的乘积。

  print(np.prod(arr))  # 输出：24
  

3. 数组操作

• reshape()：改变数组的形状，而不改变其数据。

  arr = np.array([1, 2, 3, 4, 5, 6])
  reshaped_arr = arr.reshape(2, 3)  # 变成 2 行 3 列
  print(reshaped_arr)
  

• transpose()：转置矩阵。

  matrix = np.array([[1, 2, 3], [4, 5, 6]])
  transposed_matrix = matrix.transpose()
  print(transposed_matrix)
  

• flatten()：将多维数组展平成一维数组。

  flat_arr = reshaped_arr.flatten()
  print(flat_arr)  # 输出：[1 2 3 4 5 6]
  

• concatenate()：连接两个或多个数组。

  arr1 = np.array([1, 2])
  arr2 = np.array([3, 4])
  concatenated = np.concatenate((arr1, arr2))
  print(concatenated)  # 输出：[1 2 3 4]
  

• split()：将数组分割成多个子数组。

  split_arr = np.split(arr, 3)
  print(split_arr)  # 输出：[array([1, 2]), array([3, 4]), array([5, 6])]
  

4. 逻辑与条件运算

• where()：根据条件返回数组中的元素。

  arr = np.array([1, 2, 3, 4, 5])
  result = np.where(arr > 3, '大于 3', '小于等于 3')
  print(result)  # 输出：['小于等于 3' '小于等于 3' '小于等于 3' '大于 3' '大于 3']
  

• all() 和 any()：检查数组中是否所有元素为 True，或是否有任一元素为 True。

  bool_arr = np.array([True, False, True])
  print(np.all(bool_arr))  # 输出：False
  print(np.any(bool_arr))  # 输出：True
  

5. 随机数生成

• random.rand()：生成 0 到 1 之间的均匀分布随机数。

  rand_arr = np.random.rand(2, 2)
  print(rand_arr)
  

• random.randn()：生成服从标准正态分布的随机数。

  randn_arr = np.random.randn(2, 3)
  print(randn_arr)
  

• random.randint()：生成指定范围内的随机整数。

  randint_arr = np.random.randint(0, 10, size=(3, 3))
  print(randint_arr)
  

6. 广播机制

NumPy 支持不同形状的数组之间进行算术运算，这是 NumPy 的广播机制。

7. 矩阵运算

• dot()：进行矩阵乘法运算。

  mat1 = np.array([[1, 2], [3, 4]])
  mat2 = np.array([[5, 6], [7, 8]])
  result = np.dot(mat1, mat2)
  print(result)  # 输出：[[19 22] [43 50]]
  

• inv()：计算矩阵的逆（需要 linalg 模块）。

  from numpy.linalg import inv
  matrix = np.array([[1, 2], [3, 4]])
  inverse_matrix = inv(matrix)
  print(inverse_matrix)
  

• det()：计算矩阵的行列式。

  from numpy.linalg import det
  determinant = det(matrix)
  print(determinant)
  

• eig()：计算矩阵的特征值和特征向量。

  from numpy.linalg import eig
  values, vectors = eig(matrix)
  print("特征值：", values)
  print("特征向量：", vectors)
  

---

结论

        NumPy 是 Python 科学计算的核心库之一，其功能远不止创建数组和基本的数学运算。通过上述指令，你可以高效地进行数组操作、矩阵运算、随机数生成以及逻辑运算等。对于需要处理大量数据的项目，掌握 NumPy 的这些强大功能，可以显著提升程序的性能和开发效率。