### NumPy库的核心功能及常用函数总结 NumPy 是 Python 中一个非常重要的库，特别是在数据分析和科学计算领域中具有广泛的应用。其核心功能主要集中在数组操作和数学计算上[^1]。 #### 核心功能 1. **多维数组对象（ndarray）** NumPy 提供了一个强大的多维数组对象 `ndarray`，用于存储和高效处理大规模数据。与 Python 原生列表相比，`ndarray` 在性能和内存使用上都有显著优势[^2]。 2. **广播机制** 广播是一种强大的机制，允许不同形状的数组进行算术运算。通过广播，可以避免显式循环，从而提高代码效率和可读性[^3]。 3. **矢量化操作** NumPy 支持矢量化操作，使得可以在整个数组上应用数学运算，而无需逐个元素处理。这不仅简化了代码，还提高了运行速度[^4]。 #### 常用函数分类 以下是 NumPy 库中一些常用的函数及其用途： 1. **基本数学函数** - 加减乘除：`numpy.add()`、`numpy.subtract()`、`numpy.multiply()`、`numpy.divide()` - 幂运算：`numpy.power()` - 取余：`numpy.mod()` 2. **三角函数** - 正弦、余弦、正切：`numpy.sin()`、`numpy.cos()`、`numpy.tan()` - 反三角函数：`numpy.arcsin()`、`numpy.arccos()`、`numpy.arctan()` 3. **指数与对数函数** - 指数函数：`numpy.exp()` - 自然对数：`numpy.log()` - 常用对数：`numpy.log10()` 4. **统计函数** - 最大值、最小值：`numpy.max()`、`numpy.min()` - 平均值、中位数：`numpy.mean()`、`numpy.median()` - 标准差、方差：`numpy.std()`、`numpy.var()` 注意：某些统计函数在处理包含 `nan` 的数据时可能会出现问题，需要使用专门的函数如 `numpy.nanmean()` 和 `numpy.nanstd()` 来替代[^3]。 5. **矩阵运算** - 点积：`numpy.dot()` - 转置：`numpy.transpose()` 或 `.T` 属性 - 逆矩阵：`numpy.linalg.inv()` 6. **插值函数** - 一维插值：`numpy.interp(x, _x, _y)` 其中 `_x` 和 `_y` 是已知的数据点，`x` 是需要插值的新数据点[^3]。 7. **随机数生成** - 均匀分布：`numpy.random.rand()` - 正态分布：`numpy.random.randn()` 8. **特殊常量** - `numpy.nan` 表示“非数字”（Not a Number） - `numpy.inf` 表示无穷大 9. **掩码数组** 掩码数组是 NumPy 提供的一种数据结构，允许对数组中的某些元素进行屏蔽处理，通常用于处理缺失或无效数据[^3]。 ```python import numpy as np # 示例：基本数学函数 a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) print(np.add(a, b)) # [5 7 9] print(np.multiply(a, b)) # [4 10 18] # 示例：统计函数 data = np.array([1, 2, 3, 4, 5]) print(np.mean(data)) # 3.0 print(np.std(data)) # 1.4142135623730951 # 示例：矩阵运算 matrix = np.array([[1, 2], [3, 4]]) print(np.linalg.inv(matrix)) ``` ### 总结 NumPy 的核心功能在于高效的数组操作和丰富的数学函数支持，使其成为科学计算和数据分析领域的基础工具之一。结合 SciPy 和 Matplotlib，NumPy 构建了一个强大的科学计算环境，适用于机器学习和数据科学等多个领域[^4]。