Python数据处理之NumPy数组运算

20XX/XX/XXPython数据处理之NumPy数组运算汇报人:XXXCONTENTS目录01

课程导入02

NumPy基础认知03

NumPy数组基础用法04

NumPy数组核心运算规则05

NumPy数组运算实战案例06

课程总结与拓展课程导入01提升数据运算效率相较于Python列表，NumPy数组运算速度快数十倍，可高效处理百万级以上规模的数据集。简化多维数据操作NumPy支持多维数组直接运算，如矩阵乘法，无需嵌套循环，像机器学习中矩阵运算场景极为适用。适配主流数据分析工具Pandas、Matplotlib等工具均基于NumPy开发，掌握它能快速上手各类数据分析工作。为什么学习NumPy本节课学习目标

掌握NumPy数组基础运算方法熟练运用加减乘除等基础运算，能完成像数组间批量数值计算这类常见数据处理任务。

学会NumPy数组广播机制的应用理解广播原理，可借助该机制高效处理不同形状数组间的运算，提升数据处理效率。

掌握NumPy数组的统计运算技巧能够运用mean、sum、max等函数对数组进行统计分析，实现数据特征的快速提取。NumPy基础认知02NumPy是什么

NumPy的核心定义NumPy是Python的基础数值计算库，专注于多维数组操作，是数据分析与科学计算的核心工具。

NumPy的诞生背景由TravisOliphant在2005年整合Numeric与Numarray项目而来，填补了Python数值计算的空白。

NumPy的核心价值它能高效处理大规模数组运算，比原生Python列表运算速度快数十倍，被Pandas等库广泛依赖。使用pip工具安装NumPy打开终端或命令提示符，输入“pipinstallnumpy”指令，即可快速完成NumPy的安装部署。验证NumPy安装状态在Python交互环境中输入“importnumpy;print(numpy.__version__)”，可确认安装是否成功。调用NumPy核心功能通过“importnumpyasnp”语句简化调用，可直接使用np.array()等核心函数创建数组。安装与环境调用NumPy数组基础用法03数组的创建方法通过列表转换创建数组可直接将Python列表传入np.array()函数，比如np.array([1,2,3])，快速生成一维NumPy数组。利用内置函数创建特殊数组使用np.zeros()、np.ones()等函数，例如np.zeros((2,3))可生成2行3列的全零数组。基于数值范围创建数组借助np.arange()或np.linspace()，如np.arange(0,10,2)能生成间隔为2的序列数组。数组的索引访问

整数索引访问单元素通过指定整数索引，可直接提取NumPy数组中对应位置元素，如arr[2]可获取索引为2的元素。

切片索引访问子数组利用切片语法如arr[1:4]，可提取数组中从索引1到3的连续元素，快速获取子数组。

布尔索引筛选元素通过布尔数组作为索引，如arr[arr>5]，可筛选出数组中所有大于5的目标元素。reshape方法调整形状通过reshape可将一维数组转为多维，比如把(6,)的数组转为(2,3)，需保证元素总数匹配。resize方法修改原数组resize会直接更改原数组形状，无需重新赋值，例如将(3,2)数组调整为(6,)的一维数组。ravel/flatten展平数组两者均可将多维数组转为一维，ravel返回视图，flatten返回副本，处理数据时按需选择。数组的形状变换NumPy数组核心运算规则04逐元素算术运算基础加减乘除运算可对NumPy数组执行逐元素加减乘除，如两个形状匹配的数组相加，对应位置元素分别求和。广播机制下的算术运算当数组形状不同时，NumPy会自动触发广播，如将标量与数组相加，标量会适配数组形状完成运算。复合算术运算支持幂运算、取模等复合运算，如对数组元素逐元素取平方，或计算两个数组对应元素的模值。数组广播规则维度自动扩展匹配当两个数组维度不同时，NumPy会自动扩展维度较小的数组，使其与高维数组维度一致以运算。维度大小严格匹配要求除可扩展维度外，数组其他维度的大小必须完全相同，否则无法触发广播机制完成运算。低维数组重复填充逻辑低维数组扩展时会按自身元素重复填充，如将一维数组扩展为二维数组，行元素完全复制。求和运算NumPy的sum()函数可快速计算数组元素总和，比如对销售数据数组求和，能快速得到总销售额。均值计算使用mean()函数可计算数组元素的平均值，例如对学生成绩数组求均值，能直观反映整体成绩水平。极值查找通过max()和min()函数可获取数组的最大、最小值，像在气温数据数组中能快速找到极端气温值。数组聚合统计运算数组矩阵运算

数组逐元素乘法运算使用*运算符可实现NumPy数组逐元素相乘，如两个形状匹配的数组arr1*arr2，对应元素逐一计算乘积。

数组矩阵点积运算借助np.dot()函数可完成矩阵点积，比如对二维数组执行np.dot(arr_a,arr_b)，满足矩阵乘法维度规则。

数组矩阵转置运算通过.T属性或np.transpose()实现数组转置，像二维数组arr.T可快速调换行列，适配特定运算需求。数组切片与拼接运算基础切片提取子数组

可通过start:stop:step格式提取NumPy数组子数组，如arr[1:5:2]可获取索引1、3的元素。维度保留切片方法

使用省略号或newaxis可保留原数组维度，例如arr[:,np.newaxis]能将一维数组转为二维。concatenate函数拼接数组

该函数可沿指定轴拼接数组，如np.concatenate([arr1,arr2],axis=0)实现纵向拼接操作。NumPy数组运算实战案例05学生成绩批量统计

01数组化成绩数据录入将全班学生的各科成绩录入NumPy数组，替代传统Excel手动录入，像某中学用此方式提升3倍录入效率。

02多维度成绩均值计算利用mean()函数按班级、科目维度批量计算平均分，某实验班借此快速完成全年级成绩汇总分析。

03成绩排名快速生成通过argsort()函数对成绩数组排序生成排名，某培训机构用此实现百余名学员成绩排名秒级输出。图像像素数组处理

像素数组亮度批量调整借助NumPy的广播机制，可快速对图像像素数组整体加减数值，比如将某风景照亮度提升20%。

像素数组色彩通道分离利用NumPy数组索引，能拆分RGB图像的红、绿、蓝通道，可单独提取某张人像照的红色通道数据。

像素数组阈值化处理通过NumPy的条件判断，将像素数组中高于阈值的像素设为255、低于的设为0，可把普通照片转为黑白效果。数值矩阵求解运算01线性方程组求解利用NumPy的linalg.solve函数，可快速求解工程领域的线性方程组，如电路节点电压计算问题。02矩阵逆运算求解借助NumPy的linalg.inv函数求逆矩阵，可解决经济学中投入产出模型的参数计算问题。03广义逆矩阵求解通过NumPy的linalg.pinv函数计算广义逆，能处理统计学中存在奇异值的回归分析数据。实验数据清洗整理

缺失值识别与填充利用NumPy的isnan函数定位缺失值，以某气象站温度数据集为例，用均值填充空白数据。

异常值检测与修正通过NumPy的percentile函数设定阈值，筛选出医疗血压数据中的异常值并替换为合理数值。

数据格式标准化借助NumPy的astype函数，将电商交易数据中的字符串类型金额统一转换为浮点型格式。课程总结与拓展06NumPy数组基础运算规则需掌握加减乘除等逐元素运算逻辑，如两个同维度数组相乘为对应元素逐一相乘。数组广播机制应用理解不同维度数组运算的广播规则，比如一维数组可与二维数组按规则完成运算。聚合函数核心用法熟练使用sum、mean、max等聚合函数，如用np.sum()快速计算数组元素总和。本节课核心知识点梳理课后练习与拓