当前位置：首页>学习笔记>Python学习笔记——从入门到报废(十九、第三方库(下))

Python学习笔记——从入门到报废(十九、第三方库(下))

2026-04-19 08:43:30

一、numpy

NumPy是一个主要用于多维向量（数组）处理的库，安装方式：

pip install numpy

同样为数据处理的库还有pandas，本文暂不介绍。

引入numpy库：

import numpy as np

创建数组，由numpy创建的数组，变量类型一般为numpy.ndarray：

# 创建一维数组array_1 = np.array([1, 2, 3, 4, 5])# 创建二维数组array_2 = np.array([[1, 2, 3], [4, 5, 6]])# 创建全零数组array_3 = np.zeros((2, 3))  # 括号里元组表示数组的维度# 创建全一数组array_4 = np.ones((3, 2))  # 括号里元组表示数组的维度# 创建单位矩阵array_5 = np.eye(3)  # 括号里的数字表示矩阵的维度

查看数组基本属性：

# 查看数组的维度print(array_2.shape)  # Output: (2, 3)# 查看数组的数据类型print(array_2.dtype)  # Output: int64# 查看数组的元素个数print(array_2.size)   # Output: 6索引和切片：print(array_1[:3])    # Output: [1 2 3]print(array_2[0, 1])  # Output: 2

数学运算：

array1 = np.array([1, 2, 3])array2 = np.array([4, 5, 6])print(array1 + array2)  # Output: [5 7 9]，逐元素相加print(array1 * array2)  # Output: [ 4 10 18]，逐元素相乘print(array1 / array2)  # Output: [0.25 0.4  0.5 ]，逐元素相除

统计运算，可以使用形参“axis”来按某一维度进行统计：

array = np.array([[1, 2, 3], [4, 5, 6]])print(np.sum(array))   # Output: 21，计算数组所有元素的和print(np.mean(array))  # Output: 3.5，计算数组所有元素的平均值print(np.max(array))   # Output: 6，计算数组所有元素的最大值print(np.min(array))   # Output: 1，计算数组所有元素的最小值

还有一些操作是用于矩阵运算的操作，如转置、逆矩阵、维度变换等，功能很丰富，留给读者自己扩展学习。

二、matplotlib

使用过MatLab的都知道其有很强的绘图功能，使用matplotlib这个库可以用于绘出MatLab风格的统计图表。

安装库：

pip install matplotlib

引入库（主要使用其pyplot子模块绘图）：

import matplotlib.pyplot as plt

通常使用list、tuple、np.ndarray等类型的迭代变量作为绘制图时的数据序列输入。使用plt.plot、plt.scatter等函数来绘制折线图、散点图、饼图等：

x = [1, 2, 3, 4, 5]y = [2, 3, 5, 7, 11]# 折线图plt.plot(x, y, label="Line 1", color="blue", linestyle="--", marker="o")# 创建散点图plt.scatter(x, y, color="red", marker="o", label="Data Points")# 创建柱状图plt.bar(categories, values, color="green", label="Bars")

同时，也可以给统计图的标题、x轴、y轴等进行调整，例如添加标题以及x、y轴的名称，并添加图例：

plt.title("Simple Chart")plt.xlabel("Categories")plt.ylabel("Values")# 添加图例plt.legend()

也可以使用plt.subplots函数来在一张图中添加多个子统计图。最后，调用show函数或savefig函数将统计图显示或保存：

# 显示plt.show()# 保存plt.savefig("chart.png", dpi=300)

字体样式、大小、颜色，统计图中线或点的样式、大小、颜色等，matplotlib都有相关控制函数或参数（例如参数linestyle设置折线样式，marker设置三点样式），用于让统计图更加美观。

三、OpenCV

OpenCV是著名且常用的开源计算机视觉处理库，用于操作处理图像或视频等视觉信息，支持Python在内的多种主流编程语言及操作系统。

安装OpenCV：

pip install opencv-python

注意，OpenCV还有一个拓展库OpenCV Contrib，包含了一些原库以外的丰富功能，安装方法与OpenCV类似，但是要注意安装版本需要与OpenCV相同，例如安装4.5.5.64版本：

pip install opencv-python==4.5.5.64pip install opencv-contrib-python==4.5.5.64

导入OpenCV：

import cv2

此处以处理图像为例，简单说明一下OpenCV的使用：

# 读取图像image = cv2.imread('example.jpg')# 保存图像cv2.imwrite('output.jpg', image)# 显示图像cv2.imshow('Image', image)# 等待用户点击关闭cv2.waitKey(0)

注意通常OpenCV读取图像后，颜色通道保存为BGR顺序，而不是我们熟悉的RGB。并且，图像以MatLike数据类型（由OpenCV定义）保存，因此我们可以简单将图像抽象为三维矩阵（颜色通道为其中一维），并使用如数组切片等方式对其进行操作。

使用OpenCV检测图像边缘：

image = cv2.imread('example.jpg')# 转换为灰度图像gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 使用 Canny 算法检测边缘edges = cv2.Canny(gray_image, 100, 200)

检测轮廓：

image = cv2.imread('example.jpg')# 转换为灰度图像gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 使用阈值化处理_, thresh = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)# 查找轮廓contours, _ = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 绘制轮廓cv2.drawContours(image, contours, -1, (0, 255, 0), 3)