11.1 NumPy 简介与核心概念

前言

NumPy（Numerical Python）是一个功能强大的 Python 库，主要用于科学计算。它提供了一个高性能的多维数组对象（ndarray）以及用于操作这些数组的大量工具函数。

一、简介

1.1 历史背景

NumPy 的发展历程：
Numeric：由 Jim Hugunin 开发，是 NumPy 的前身
Numarray：另一个包含额外功能的数值计算包
2005年：Travis Oliphant 将 Numarray 功能整合到 Numeric 中，创建了 NumPy
开源项目：拥有来自全球的众多贡献者

1.2 核心功能

NumPy 主要提供以下功能：
多维数组操作：高效的数组算术和逻辑运算
数学函数：傅里叶变换、线性代数运算、随机数生成
科学计算基础：与 SciPy、Matplotlib 等库协同工作

1.3 技术生态

NumPy 通常与以下库一起使用：
SciPy：科学计算扩展
Matplotlib：数据可视化
这种组合构成了强大的科学计算平台，常被用作 MATLAB 的替代方案

1.4 环境配置

安装方法

bash# 使用 pip 安装pipinstallnumpy# 或使用科学计算发行版（推荐初学者）# Anaconda 或 Miniconda 已包含完整科学计算栈

在线环境
官方推荐：TutorialsPoint CodingGround
优势：无需本地安装，可直接尝试示例代码

二、Ndarray 对象

2.1 基本概念

ndarray 是 NumPy 的核心对象，具有以下特点：
N 维同类型数据容器
零基索引访问
内存中连续存储
固定大小的数据类型（dtype）

2.2 创建数组

pythonimportnumpyasnp# 从列表创建arr1=np.array([1,2,3])# 多维数组arr2=np.array([[1,2],[3,4]])# 指定维数arr3=np.array([1,2,3,4,5],ndmin=2)# 指定数据类型arr4=np.array([1,2,3],dtype=complex)

2.3 构造函数参数

python numpy.array(object,dtype=None,copy=True,order=None,subok=False,ndmin=0)

三、数据类型系统

3.1 标量数据类型

NumPy 支持比 Python 更丰富的数值类型：

3.2 数据类型对象（dtype）

dtype 对象描述如何解释内存块：
数据类型（整数、浮点等）
数据大小（字节数）
字节序（大端/小端）

3.3 结构化类型的字段信息

python# 创建 dtype 对象dt1=np.dtype(np.int32)dt2=np.dtype('i4')# 使用类型代码dt3=np.dtype('>i4')# 大端字节序# 结构化数据类型student_dtype=np.dtype([('name','S20'),# 字符串，20字节('age','i1'),# 1字节整数('marks','f4')# 4字节浮点])# 应用结构化类型students=np.array([('Alice',20,85.5),('Bob',22,92.0)],dtype=student_dtype)

四、数组属性与操作

4.1 形状操作

python# 查看形状arr=np.array([[1,2,3],[4,5,6]])print(arr.shape)# 输出: (2, 3)# 重塑形状reshaped=arr.reshape(3,2)# 展平数组flattened=arr.flatten()# 返回副本raveled=arr.ravel()# 返回视图（可能）

4.2 索引与切片

python# 基础切片arr=np.arange(10)print(arr[2:7:2])# [2 4 6]# 多维切片arr2d=np.array([[1,2,3],[4,5,6],[7,8,9]])print(arr2d[1:3,1:3])# [[5 6] [8 9]]# 高级索引（整数）rows=np.array([0,1,2])cols=np.array([0,1,0])print(arr2d[rows,cols])# [1 5 7]# 布尔索引print(arr2d[arr2d>5])# [6 7 8 9]

五、广播机制

5.1 广播规则

广播允许不同形状数组进行算术运算：
维度较小的数组在前面补 1
输出数组每个维度的大小是输入数组该维度大小的最大值
输入数组的某个维度大小为 1 时，可沿该维度扩展

python# 示例：向量与标量运算a=np.array([1,2,3])b=np.array([10,20,30])c=a*b# 对应元素相乘

5.2 数组迭代

python# 使用 nditer 迭代arr=np.arange(0,60,5).reshape(3,4)forelementinnp.nditer(arr):print(element,end=' ')

六、数组操作分类

6.1 修改形状

6.2 连接与分割

6.3 添加/删除元素

七、数学运算

7.1 基本算术

python a=np.array([[1,2],[3,4]])b=np.array([[5,6],[7,8]])# 逐元素运算print(np.add(a,b))# 加法print(np.subtract(a,b))# 减法print(np.multiply(a,b))# 乘法print(np.divide(a,b))# 除法

7.2 三角函数与舍入

python# 三角函数（弧度制）angles=np.array([0,np.pi/2,np.pi])print(np.sin(angles))# 舍入arr=np.array([1.234,2.567,3.891])print(np.around(arr,2))# 保留两位小数

7.3 统计函数

八、排序与搜索

8.1 排序算法比较

python# 排序示例arr=np.array([[3,7],[9,1]])print(np.sort(arr))# 默认按行排序print(np.sort(arr,axis=0))# 按列排序# 结构化数组排序dtype=[('name','S10'),('age',int)]data=np.array([('Alice',25),('Bob',20)],dtype=dtype)print(np.sort(data,order='name'))# 按姓名排序

8.2 线性代数

python# 矩阵运算a=np.array([[1,2],[3,4]])b=np.array([[5,6],[7,8]])print(np.dot(a,b))# 矩阵乘法print(np.linalg.det(a))# 行列式print(np.linalg.inv(a))# 逆矩阵

九、数据可视化（Matplotlib 集成）

9.1 基本绘图

pythonimportnumpyasnpimportmatplotlib.pyplotasplt# 线性图x=np.arange(1,11)y=2*x+5plt.plot(x,y)plt.show()# 散点图plt.plot(x,y,'ob')# 蓝色圆点plt.show()# 子图x=np.arange(0,3*np.pi,0.1)y_sin=np.sin(x)y_cos=np.cos(x)plt.subplot(2,1,1)plt.plot(x,y_sin)plt.title('Sine')plt.subplot(2,1,2)plt.plot(x,y_cos)plt.title('Cosine')plt.show()

9.2 直方图

python# 数据分布可视化data=np.array([22,87,5,43,56,73,55,54,11,20,51,5,79,31,27])plt.hist(data,bins=[0,20,40,60,80,100])plt.title("Histogram")plt.show()

十、字符串与位操作

10.1 字符串函数

python# 向量化字符串操作arr=np.array(['hello','world'])print(np.char.add(arr,'!'))# 添加后缀print(np.char.multiply(arr,3))# 重复字符串print(np.char.upper(arr))# 转为大写

10.2 位操作

python# 位运算a,b=13,17print(np.bitwise_and(a,b))# 位与print(np.bitwise_or(a,b))# 位或print(np.left_shift(a,2))# 左移

总结

NumPy 作为 Python 科学计算的基石，其高效的多维数组操作和丰富的数学函数库使其成为数据科学、机器学习、工程计算等领域的必备工具。通过掌握 NumPy 的核心概念和常用操作，可以显著提升科学计算的效率和代码质量。