NumPy专项
NumPy 专项
NumPy 是 Python 科学计算的基础库。当前学习目标:从“能看懂数组”进入“能独立完成数组与信号处理任务”。
参考来源:NumPy 基础练习、练习中的运行笔记,以及 Python 基础笔记的”概念 → 示例 → 场景 → 易错点 → 自测”架构。
一、安装与导入
安装与导入
1 2 3
| import numpy as np
print(np.__version__)
|
项目代码统一使用 import numpy as np,便于阅读和调用。
使用场景
- 数组与矩阵计算
- 图像、视频、传感器数据的批量运算
- PPG/rPPG 时间序列处理
- FFT、统计分析和实验数据预处理
二、数组创建
常用创建函数
| 函数 |
作用 |
常见场景 |
np.array(obj) |
从列表或嵌套列表创建数组 |
将已有数据转成 NumPy 数组 |
np.arange(start, stop, step) |
按步长生成,左闭右开 |
生成索引、时间轴、整数序列 |
np.linspace(start, stop, num) |
生成固定数量的等间隔点,默认包含终点 |
生成实验采样点、连续区间 |
np.zeros(shape) |
创建全 0 浮点数组 |
初始化 buffer、掩码 |
np.ones(shape) |
创建全 1 浮点数组 |
初始化权重、测试数据 |
np.empty(shape) |
创建未初始化数组 |
追求性能且随后会完整覆盖时使用 |
1 2 3 4 5 6 7
| import numpy as np
a = np.array([1, 2, 3]) b = np.arange(0, 10, 2) c = np.linspace(0, 1, 5) d = np.zeros((2, 3)) e = np.ones(4)
|
从文件读写数组(loadtxt / savetxt)
np.loadtxt 把纯数值 CSV/文本文件读成数组(delimiter 分隔符、skiprows 跳行);np.savetxt 把数组写入文件(header 表头、comments 注释符)。纯数值实验数据读写首选。
1 2 3 4 5 6 7 8 9 10
| import numpy as np
data = np.loadtxt("signal.csv", delimiter=",", skiprows=1) time = data[:, 0] value = data[:, 1]
np.savetxt("out.csv", np.column_stack((time, value)), delimiter=",", header="time,value", comments="")
|
np.column_stack((t, signal)):把两个一维数组按”列”并排成二维数组
comments="":必须设置,否则 header 会被默认加 # 前缀(np.loadtxt 读到时会当作注释)
- 局限:
loadtxt 只适合纯数字文件;含复杂文本/缺失值/混合类型改用 Python 标准库 csv 模块(见 6.3 从 CSV 读到 NumPy(联动))
- 联动案例:批量生成多受试者信号文件并逐个读取求平均 → 七、批量处理实验数据(综合案例)
arange 与 linspace 的区别
arange 指定步长,终点通常不包含,适合整数索引和时间轴。
linspace 指定元素数量,默认包含终点,适合需要固定采样点数量的场景。
数组类型
1 2 3 4 5
| a = np.array([1, 2, 3]) b = np.zeros(3)
print(a.dtype) print(b.dtype)
|
输出中的 0.、1. 表示浮点数;NumPy 信号处理通常使用浮点数组。
三、数组属性与形状
常用属性
| 属性 |
含义 |
arr.ndim |
维度数量 |
arr.shape |
每个维度的长度 |
arr.size |
元素总数 |
arr.dtype |
元素数据类型 |
arr.itemsize |
单个元素占用的字节数 |
1 2 3 4 5
| a = np.arange(30) print(a.ndim) print(a.shape) print(a.size) print(a.dtype)
|
reshape 改变形状
1 2 3 4 5 6 7
| a = np.arange(30)
matrix = a.reshape(5, 6) volume = a.reshape(2, 3, 5)
print(matrix.shape) print(volume.shape)
|
reshape 前后元素总数必须相同:30 个元素不能 reshape 成 (4, 8)。
使用场景
- 检查模型输入是否为
(batch, channel, length)
- 将一维时间序列整理为窗口
- 将图像整理为
(height, width, channel)
- 调试时优先打印
shape,不要凭感觉判断维度
四、索引、切片与布尔索引
一维索引与切片
1 2 3 4 5 6 7 8
| a = np.arange(10)
print(a[0]) print(a[-1]) print(a[2:5]) print(a[:3]) print(a[::2]) print(a[-2:])
|
二维索引
1 2 3 4 5 6
| matrix = np.arange(12).reshape(3, 4)
print(matrix[1, 2]) print(matrix[0, :]) print(matrix[:, 1]) print(matrix[:, 1:3])
|
二维索引取行/取列速查:
| 写法 |
取的是什么 |
示例结果 |
维度 |
data[0, 1] |
第 0 行、第 1 列(单个值) |
20 |
标量 |
data[0, :] |
第 0 行、所有列 |
[10, 20, 30] |
1D |
data[:, 0] |
所有行、第 0 列 |
[10, 40, 70] |
1D |
data[:, 1] |
所有行、第 1 列 |
[20, 50, 80] |
1D ✅ |
data[1:3, 0:2] |
第 1-2 行,第 0-1 列 |
[[40,50],[70,80]] |
2D |
批量处理中 data[:, 1] 是”取某一列”的标准写法(联动:7.3 二维索引取行/取列速查)。
布尔索引
1 2 3 4
| a = np.array([1, 5, 2, 8, 3]) mask = a > 3 print(mask) print(a[mask])
|
多个条件使用 &、|,每个条件要加括号:
1 2 3
| freqs = np.array([0.1, 0.8, 1.2, 5.0]) mask = (freqs >= 0.5) & (freqs <= 4.0) selected = freqs[mask]
|
& 是逐元素逻辑与,适用于 NumPy 数组。
- Python 的
and 不能直接用于数组条件。
~mask 表示布尔取反。
五、向量化运算与广播
基本运算
1 2 3 4 5 6
| a = np.array([1, 2, 3])
print(a + 10) print(a * 2) print(a ** 2) print(np.sin(a))
|
NumPy 会对数组整体进行批量运算,通常不需要手写 for 循环。
广播
1 2 3
| x = np.array([[1, 2, 3], [4, 5, 6]]) mean = np.array([1, 2, 3]) print(x - mean)
|
使用场景:批量减均值、归一化、RGB 通道校正、模型输入标准化。
与 Python 列表的区别
1 2 3 4 5
| list_a = [1, 2, 3]
array_a = np.array(list_a) print(array_a + 10)
|
列表的 + 通常表示拼接,NumPy 数组的 + 表示逐元素加法。
六、统计与聚合
1 2 3 4 5 6 7 8 9
| a = np.array([3, 1, 4, 1, 5, 9, 2, 6])
np.sum(a) np.mean(a) np.max(a) np.min(a) np.std(a) np.argmax(a) np.argmin(a)
|
二维数组可以指定 axis:
1 2 3
| matrix = np.array([[1, 2, 3], [4, 5, 6]]) print(np.sum(matrix, axis=0)) print(np.sum(matrix, axis=1))
|
在信号处理中的场景
mean:估计直流分量、计算基线
std:衡量波动程度和噪声水平
argmax:找到 FFT 幅值最大的频率位置
min/max:检查信号范围和异常值
批量实验平均值:np.mean(np.array(signals), axis=0) 把多个文件堆叠成 (文件数, 采样点数) 后沿”文件轴”求平均,得到每个采样点位置的平均值——多受试者信号批量处理的骨架(联动:7.2 批量读取与求平均(完整脚本))。
七、随机数与可复现
推荐写法
1 2 3 4 5
| rng = np.random.default_rng(42) noise = rng.standard_normal(5) uniform = rng.uniform(0, 1, 5) integers = rng.integers(0, 10, 5) normal = rng.normal(0, 0.5, 5)
|
固定种子后,同一段代码会产生相同结果,便于科研复现和调试。
与 Python random 的区别
random 适合少量普通 Python 对象的随机操作。
np.random/Generator 面向数组和数值计算,适合批量生成实验数据、噪声和训练样本。
- 新代码优先使用
np.random.default_rng(seed),不建议依赖旧式全局随机状态。
八、时间轴与信号构造
采样率与时间轴
1 2 3
| fs = 30 duration = 10 t = np.arange(0, duration, 1 / fs)
|
fs 是采样频率,采样间隔为 1/fs。
构造正弦信号
1 2 3
| f = 1.2 sig = np.sin(2 * np.pi * f * t) print(f * 60)
|
使用场景:模拟周期信号、测试滤波器、验证心率检测流程。
九、FFT 与频域分析
基本流程
1 2 3 4 5 6 7
| fft_vals = np.fft.rfft(sig) freqs = np.fft.rfftfreq(len(sig), 1 / fs) magnitude = np.abs(fft_vals)
peak_idx = np.argmax(magnitude) peak_freq = freqs[peak_idx] heart_rate = peak_freq * 60
|
函数说明
| 函数 |
作用 |
np.fft.fft |
完整 FFT,包含正负频率 |
np.fft.rfft |
实数信号的正频率部分,结果更紧凑 |
np.fft.fftfreq |
与 fft 对应的频率轴 |
np.fft.rfftfreq |
与 rfft 对应的频率轴 |
np.abs |
复数幅值 |
np.argmax |
找最大幅值下标 |
np.fft.irfft |
正频率结果逆变换回时域 |
关键概念
- 采样率为
fs 时,最高可分析频率约为 fs/2,这是奈奎斯特频率。
- 频率分辨率约为
fs/N,其中 N 是采样点数;采样时间越长,频率分辨率越高。
rfft 输出复数,通常先用 np.abs 转成幅值再分析。
十、频域带通滤波
1 2 3 4 5 6 7
| fft_vals = np.fft.rfft(noisy) freqs = np.fft.rfftfreq(len(noisy), 1 / fs)
mask = (freqs >= 0.5) & (freqs <= 4.0) fft_filtered = fft_vals.copy() fft_filtered[~mask] = 0 filtered = np.fft.irfft(fft_filtered, n=len(noisy))
|
为什么使用 .copy()
fft_filtered = fft_vals 只创建别名,修改 fft_filtered 会同时修改原数组。使用 .copy() 才能保留原始频谱,方便比较滤波前后结果。
场景与边界
0.5–4 Hz 大致对应 30–240 BPM,适合演示心率范围。
- 范围过窄会误删目标信号;范围过高或过低也可能保留错误成分。
- 频域置零是教学和快速验证方法;真实项目还需考虑滤波器边界、相位、运动伪影和信号质量。
十一、噪声与 SNR
添加噪声
1 2 3
| rng = np.random.default_rng(42) noise = rng.standard_normal(len(sig)) noisy = sig + 0.5 * noise
|
噪声系数越大,通常信号质量越差;但主频是否检测失败还取决于信号长度、频率分辨率和噪声分布。
SNR 计算
1 2 3
| signal_power = np.mean(clean ** 2) noise_power = np.mean((processed - clean) ** 2) snr_db = 10 * np.log10(signal_power / noise_power)
|
SNR 越高,表示信号功率相对于噪声功率越大,通常代表信号质量更好。实验中要明确“信号”和“噪声”的定义,不能只看一个数字就宣称算法有效。
十二、常见错误与边界
np.arange 的终点通常不包含;linspace 默认包含终点。
zeros、ones 默认生成浮点数组;需要整数时显式指定 dtype=int。
shape 是元组,例如一维数组是 (30,),不是 30。
reshape 前后元素总数必须一致。
- 数组多条件筛选要用
(条件1) & (条件2),不能用 and。
argmax 返回位置,不是最大值本身。
a / 0、np.sqrt(-1) 可能产生 inf、nan 和 RuntimeWarning;警告不等于程序一定停止,但结果需要检查。
- 不要把 NumPy 数组简单称为“列表”;数组支持维度、dtype、广播和向量化运算。
十三、当前学习证据与能力评估
已有证据
- 运行输出:成功安装 NumPy、打印版本号;完成数组创建、shape/dtype/size、运算、聚合、FFT、滤波和 SNR 练习。
- 参数修改:修改噪声系数,观察标准差和检测结果变化;噪声系数为 2.0 时仍能检测,5.0 时检测失败。
- 原理解释:能解释 SNR 越高代表信号相对噪声更强;能记录采样率、时间轴、正弦波构造和 FFT 主频检测。
当前等级
NumPy:L2(能够使用) 。
依据:已在练习和 AI 辅助下完成一套从数组创建到信号分析的任务,并提交了运行和参数修改证据。暂不升级到 L3,因为目前证据主要来自跟随分步练习,尚缺一个脱离教程、独立设计并完成的新任务。
L3 晋级任务
独立写一个 analyze_signal(signal, fs) 函数,输入任意一维信号和采样率,返回:
- 信号长度、均值、标准差
- FFT 主频和对应 BPM
- 是否存在空值或非有限值
- 对输入长度不足、
fs <= 0 等情况给出合理处理
完成后提交:运行输出、至少两组参数/输入变化结果、用自己的话解释 fs、频率分辨率和 argmax 的关系。
十四、自测问题
arange 和 linspace 的主要区别是什么?
(30,) 和 (5, 6) 分别表示什么?
- 为什么 NumPy 数组可以直接执行
a + 10?
argmax 返回什么?
rfft、频率轴和 abs 三者如何配合找主频?
- 为什么多个数组条件要用
& 而不是 and?
- 为什么修改 FFT 结果前通常需要
.copy()?
- 采样率和最高可分析频率有什么关系?