NumPy

NumPy 是为支持 Python 中的科学计算而创建的。该库允许用户创建 N 维数组，还支持在 NumPy 对象上进行线性代数运算，并提供其他高级数学函数，例如傅里叶变换。

NumPy 可以通过 pip 安装。安装 NumPy 的命令如下：

1pip install numpy

NumPy 中的数组广泛用于通用任务。数组由相同类型的数据元素组成。数组的维度数量称为数组的秩。NumPy 数组的元素通过方括号访问。

面试问题：

以下代码比较了 NumPy 数组与 Python 数组：

1# 导入所需库
2import numpy
3import time
4from array import array
5
6# 使用 NumPy 数组的函数
7def numpy_array(n):
8    start_time = time.time()
9
10    # 创建空的 NumPy 数组
11    p = numpy.empty(n)
12
13    # 为每个元素赋值
14    for i in range(n):
15        p[i] = i
16    end_time = time.time()
17
18    # 计算时间差
19    return end_time - start_time
20
21# 使用 Python 数组的函数
22def python_array(n):
23    start_time = time.time()
24
25    # 创建 Python 数组
26    p = array('d')
27
28    # 为每个元素赋值
29    for i in range(n):
30        p.append(i)
31    end_time = time.time()
32
33    # 计算时间差
34    return end_time - start_time
35
36print('NumPy 数组耗时：', round(numpy_array(10000000), 2), ' 秒。')
37print('Python 数组耗时：', round(python_array(10000000), 2), ' 秒。')

如上所示，我们编写了两个函数：numpy_array() 和 python_array()。我们传入参数 n，分别创建长度为 n 的 NumPy 数组和 Python 数组。运行上述代码后，可以明显看出两者在速度上的差异。

面试问题：

以下代码比较了 Python 列表与 NumPy 数组：

1# 导入所需库
2import numpy
3import time
4size_of_vec = 1000000
5
6# 使用 Python 列表的函数
7def python_list_v():
8    start_time = time.time()
9    X = range(size_of_vec)
10    Y = range(size_of_vec)
11    Z = [X[i] + Y[i] for i in range(len(X))]
12    return time.time() - start_time
13
14# 使用 NumPy 数组的函数
15def numpy_array_v():
16    start_time = time.time()
17    X = numpy.arange(size_of_vec)
18    Y = numpy.arange(size_of_vec)
19    Z = X + Y
20    return time.time() - start_time
21
22print('NumPy 数组耗时：', round(numpy_array_v(), 2), ' 秒。')
23print('Python 列表耗时：', round(python_list_v(), 2), ' 秒。')

从上述代码可以看出，我们创建了两个长度相同的对象并将其相加得到第三个对象。Python 列表的执行速度远低于 NumPy 数组。

创建数组

以下示例展示了如何使用列表和元组创建 NumPy 数组：

1import numpy
2
3# 使用 Python 列表创建一维数组
4arr = numpy.array([1, 2, 3])
5print("一维数组：", arr)
6
7# 使用 Python 列表创建二维数组
8arr = numpy.array([[1, 2, 3],
9                   [4, 5, 6]])
10print("二维数组：", arr)
11
12# 使用元组创建数组
13arr = numpy.array((1, 2, 3))
14print("来自元组的数组：", arr)

上述代码展示了多种创建 NumPy 数组的方法。

数组索引

NumPy 数组支持切片、整数数组索引和布尔数组索引。

以下示例演示了数组索引的用法：

1import numpy
2
3# 创建数组
4arr = numpy.array([[1, 2, 3, 4],
5                   [5, -6, 7, -8],
6                   [9, 10, -11, -12]])
7
8# 切片操作
9sliced_array = arr[1:, ::2]
10print("取后两行及每隔一列的元素：", sliced_array)
11
12# 整数数组索引
13integer_indexing_array = arr[[0, 1, 2], [3, 2, 1]]
14print("位置 (0, 3), (1, 2), (2, 1) 处的元素：", integer_indexing_array)
15
16# 布尔数组索引
17condition = arr > 2
18boolean_indexing_array = arr[condition]
19print("大于 2 的元素：", boolean_indexing_array)

上述代码展示了数组切片的用法。布尔数组索引可用于根据条件筛选数据。

基本数组操作

接下来我们介绍一些基本的数组操作。我们不会深入探讨 NumPy 数组的细节，而是通过基础示例帮助你熟悉常用功能。

1import numpy
2
3# 第一个数组
4arr1 = numpy.array([[1, 2], [3, 4]])
5
6# 第二个数组
7arr2 = numpy.array([[5, 6], [7, 8]])
8
9# 数组相加
10sum_of_array = numpy.add(arr1, arr2)
11print("两个数组相加：", sum_of_array)
12
13# 求所有数组元素之和
14sum_array_elements = numpy.sum(arr1)
15print("数组元素总和：", sum_array_elements)
16
17# 求数组的迹
18trace_array = numpy.trace(arr1)
19print("数组的迹：", trace_array)
20
21# 求数组元素的平方根
22sqrt_arry = numpy.sqrt(arr1)
23print("\n数组元素的平方根：", sqrt_arry)
24
25# 求数组的转置
26trans_arry = arr1.T
27print("数组的转置：", trans_arry)

上述代码展示了数组加法、迹、平方根和转置等操作的示例。

面试问题：

1import numpy
2arr = numpy.arange(20)
3
4# 使用 where
5index = numpy.where((arr >= 7) & (arr <= 14))
6print(arr[index])
7
8# 使用逻辑与
9index = numpy.where(numpy.logical_and(arr >= 7, arr <= 14))
10print(arr[index])
11
12# 直接在数组上应用条件
13new_arr = arr[(arr >= 7) & (arr <= 14)]
14print(new_arr)

也可以这样实现：

1import numpy
2arr = numpy.arange(5)
3print('原始数组：', arr)
4rev_arr = arr[::-1]
5print('反转数组：', rev_arr)

我们可以将每个类别映射为一个数字。例如：

1import numpy
2category = ['Small', 'Large', 'Medium', 'Large', 'Medium', 'Small', 'Small']
3category_array = numpy.array(category)
4print('分类数组：', category_array)
5label_map = {'Small': 1, 'Medium': 2, 'Large': 3}
6numeric_array = numpy.array([label_map[x] for x in category_array])
7print('数值数组：', numeric_array)

以下是一个示例：

1import numpy
2arr = numpy.array([[1, 2, 3, 4],
3                   [5, -6, 7, -8],
4                   [9, 10, -11, -12]])
5print('按行求最大值：', numpy.amax(arr, axis=1))
6print('按列求最大值：', numpy.amax(arr, axis=0))

有关 NumPy 数组的更多详细信息，请参考 https://numpy.org/