### Numpy九大核心知识点总结 #### 1. 多维数组对象 NumPy 提供了多维数组对象，这是其核心功能之一。这些数组对象可以高效地存储和操作大规模数据，支持多种数据类型[^2]。 ```python import numpy as np arr = np.array([[1, 2, 3], [4, 5, 6]]) print(arr) ``` #### 2. 数组的基本操作 NumPy 提供了丰富的数组操作方法，例如计算平均值、求和、最大值、最小值等[^4]。 ```python data = np.array([1, 2, 3, 4, 5]) mean_val = np.mean(data) # 计算平均值 sum_val = np.sum(data) # 求和 max_val = np.max(data) # 最大值 min_val = np.min(data) # 最小值 print(mean_val, sum_val, max_val, min_val) ``` #### 3. 统计与数学运算 NumPy 支持标准差、方差、累加和累乘等统计与数学运算[^4]。 ```python std_val = np.std(data) # 标准差 var_val = np.var(data) # 方差 cum_sum = np.cumsum(data) # 累加 cum_prod = np.cumprod(data) # 累乘 print(std_val, var_val, cum_sum, cum_prod) ``` #### 4. 高效的数组运算 NumPy 的数组运算比 Python 原生列表更高效，尤其在处理大规模数据时。它支持矢量化操作，避免显式循环[^1]。 ```python list_data = [1, 2, 3, 4] numpy_data = np.array(list_data) # 使用 NumPy 进行矢量化操作 result = numpy_data * 2 print(result) ``` #### 5. 索引与切片 NumPy 提供了灵活的索引和切片功能，能够快速访问数组中的特定元素或子集[^2]。 ```python arr = np.array([[1, 2, 3], [4, 5, 6]]) element = arr[0, 1] # 获取 (0, 1) 位置的元素 slice_arr = arr[:, :2] # 切片操作 print(element, slice_arr) ``` #### 6. 轴方向操作 NumPy 支持沿指定轴方向进行操作，例如按行或按列计算最小值或最大值[^5]。 ```python arr = np.array([[1, 2, 3], [4, 5, 6]]) min_col = np.min(arr, axis=0) # 按列计算最小值 min_row = np.min(arr, axis=1) # 按行计算最小值 print(min_col, min_row) ``` #### 7. 数据类型控制 NumPy 允许用户定义数组的数据类型，并支持类型转换[^3]。 ```python data = b'hello world!' res = np.frombuffer(data, dtype=np.uint8) # 从字节流生成数组 c = np.bincount(res, minlength=256) # 统计每个值的出现次数 p = c.astype(np.float32) / c.sum() # 转换为浮点数并归一化 print(p) ``` #### 8. 高级函数 NumPy 提供了许多高级函数，如离散傅立叶变换、线性代数运算和随机数生成等[^2]。 ```python fft_result = np.fft.fft([1, 2, 3, 4]) # 离散傅立叶变换 dot_product = np.dot([1, 2], [3, 4]) # 点积运算 print(fft_result, dot_product) ``` #### 9. 广播机制 NumPy 的广播机制允许形状不同的数组进行运算，无需显式复制数据。 ```python a = np.array([1, 2, 3]) b = 2 result = a + b # 广播机制 print(result) ``` ###