python常用库的学习

指南覆盖常用库从基础到实战的核心内容，可点赞收藏作为日常开发的速查手册，遇到具体问题时直接对照即可快速解决。持续补充更新中

Numpy库

NumPy（Numerical Python）是 Python 用于数值计算的开源库，核心是提供了高性能的多维数组对象（ndarray）和一套数学函数，用于快速操作数组（比 Python 原生列表快 50~100 倍）。

Python 列表 vs NumPy 数组

常用操作

创建数组

#一维数组 arr1 = np.array([1, 2, 3]) #二维数组 arr2 = np.array([[1,2], [3,4]], dtype=np.float64) #核心属性 arr = np.array([[1,2,3], [4,5,6]]) print("数组形状：", arr.shape) # (2,3) → 2行3列 print("数组维度：", arr.ndim) # 2 → 二维数组 print("元素总数：", arr.size) # 6 → 2*3=6个元素 print("数据类型：", arr.dtype) # int64 → 元素类型 print("每个元素字节数：", arr.itemsize) # 8 → int64占8字节 #两行三列元素为0 np.zeros((2,3)) #两行三列元素为1 np.ones((2,3)) # np.linspace(start, stop, num=50, endpoint=True) # num生成的元素个数 endpoint是否包含终止值默认True） arr = np.linspace(0, 1, 5) # 0到1生成5个等距数 #np.arange(start, stop, step, dtype=None) arr = np.arange(0, 10, 2) #[0 2 4 6 8] 起始值0，终止值10，步长2 #np.random.rand(shape) 生成 0~1 之间的随机数（均匀分布） arr = np.random.rand(2,2) # 2x2随机数组 #np.random.randn(shape) 生成标准正态分布（均值0，方差1）shape为随机数 arr = np.random.randn(3) #np.random.randint(low, high=None, size=None) arr = np.random.randint(0, 10, size=(2,3)) #最小值0，最大值10，数组形状2行3列

形状操作：

#arr.flatten() 多维数组转一维 arr = np.array([[1,2], [3,4]]) print(arr.flatten()) # [1 2 3 4] #arr.transpose()/ arr.T 数组转置（行变列，列变行） arr = np.array([[1,2], [3,4]]) print(arr.T) # [[1 3], [2 4]] #arr.resize(new_shape) 改变数组形状（原地修改，元素不够则补0） arr = np.array([1,2,3]) arr.resize((2,2)) print(arr) # [[1 2], [3 0]]

算术运算

arr1 = np.array([1,2,3]) arr2 = np.array([4,5,6]) # 元素级运算（对应位置计算） print("加法：", arr1 + arr2) # [5 7 9] print("减法：", arr1 - arr2) # [-3 -3 -3] print("乘法：", arr1 * arr2) # [4 10 18] print("除法：", arr1 / arr2) # [0.25 0.4 0.5 ] print("平方：", arr1 **2) # [1 4 9] print("取模：", arr2 % arr1) # [0 1 0]

矩阵运算

#矩阵点积需满足arr1行数 = arr2列数 arr1 = np.array([[1,2], [3,4]]) arr2 = np.array([[5,6], [7,8]]) print(np.dot(arr1, arr2))

统计函数

#求和函数 arr = np.array([[1,2,3], [4,5,6]]) np.sum(arr, axis=0) #求和 参数axis=0：列求和，axis=1：行求和；无参数则所有元素和 print(np.sum(arr)) # 21（所有元素和） print(np.sum(arr, axis=0)) # [5 7 9]（列求和） print(np.sum(arr, axis=1)) # [6 15]（行求和） #求平均值 np.mean(arr, axis=None) print(np.mean(arr)) # 3.5 #求最大/小值 np.max(arr, axis=None) print(np.max(arr)) # 6 print(np.min(arr, axis=1)) # [1 4]（每行最小值） #最大值/最小值的索引np.argmax(arr, axis=None) print(np.argmax(arr)) # 5（一维索引） print(np.argmax(arr, axis=1)) # [2 2]（每行最大值索引） #标准差/方差 np.std(arr) np.var(arr) print(np.std(arr)) # 1.7078（所有元素标准差） #中位数 np.median(arr) print(np.median(arr)) # 3.5

数组索引与切片（核心记左闭右开）

#一维数组（和列表类似） arr = np.arange(10) print(arr[5]) # 5（单个索引） print(arr[2:5]) # [2 3 4]（切片：左闭右开） print(arr[:5]) # [0 1 2 3 4]（前5个） print(arr[5:]) # [5 6 7 8 9]（后5个） print(arr[::2]) # [0 2 4 6 8]（步长2） print(arr[::-1]) # [9 8 7 6 5 4 3 2 1 0]（反转）

二维数组

arr = np.array([[1,2,3], [4,5,6], [7,8,9]]) print(arr[1, 2]) # 6（第2行第3列，索引从0开始） print(arr[1]) # [4 5 6]（第2行所有列） print(arr[:, 1]) # [2 5 8]（所有行第2列） print(arr[0:2, 1:3]) # [[2 3], [5 6]]（前2行，第2-3列）

布尔索引

arr = np.array([[1,2,3], [4,5,6], [7,8,9]]) # 筛选大于5的元素 mask = arr > 5 print(mask) # [[False False False], [False False True], [True True True]] print(arr[mask]) # [6 7 8 9] # 直接筛选 print(arr[arr > 5]) # [6 7 8 9]

实践示例

用numpy实现简单线性回归