### NumPy在实际项目中的应用案例和场景 #### 数据预处理 在机器学习和深度学习领域，数据预处理是至关重要的一步。NumPy 提供了强大的数组操作功能，能够高效地完成诸如缺失值填充、标准化、归一化等任务。例如，在一个电商推荐系统的项目中，可以通过 NumPy 对用户的购买记录进行清洗和转换，以便后续模型训练[^1]。 ```python import numpy as np # 假设有一个包含用户评分的数据矩阵，其中存在 NaN 表示未评分项 data = np.array([[5, np.nan, 3], [np.nan, 4, 2]]) # 使用均值填补缺失值 mean_value = np.nanmean(data) filled_data = np.where(np.isnan(data), mean_value, data) print(filled_data) ``` #### 图像处理 NumPy 可以用来加载、显示以及修改图像文件的内容。通过将其与其他库（如 Matplotlib 或 PIL/Pillow）结合使用，可以轻松实现复杂的图像变换操作。比如在一个医学影像分析项目里，可能需要用到 NumPy 来调整图片大小或者提取特定区域特征[^4]。 ```python from PIL import Image import numpy as np import matplotlib.pyplot as plt img_path = 'example_image.png' image = Image.open(img_path).convert('L') # 转灰度图 arr = np.asarray(image) plt.figure() plt.subplot(1, 2, 1) plt.title("Original") plt.imshow(arr, cmap='gray') cropped_arr = arr[:int(len(arr)*0.7), :int(len(arr[0])*0.8)] # 截取部分区域 plt.subplot(1, 2, 2) plt.title("Cropped Area") plt.imshow(cropped_arr, cmap='gray') plt.show() ``` #### 科学计算与模拟仿真 由于其支持向量化运算的能力，使得 NumPy 成为了许多科研工作者首选工具之一。无论是物理实验建模还是金融风险评估等领域都可以看到它的身影。下面展示的是如何利用 NumPy 进行情感预测的一个简化例子[^2]： ```python def sigmoid(z): return 1 / (1 + np.exp(-z)) weights = np.random.randn(3) * .01 bias = 0. input_vector = np.array([1., 2., 3.]) weighted_sum = weights @ input_vector + bias activation_output = sigmoid(weighted_sum) print("Activation Output:", activation_output) ``` #### 时间序列分析 对于股票市场走势研究或者其他涉及时间维度变化规律的研究课题来说，运用 Pandas 和 NumPy 结合起来做时间序列分析是非常普遍的做法。这里给出一段简单的代码片段演示滚动平均法平滑股价波动曲线的过程[^3]: ```python close_prices = np.loadtxt('stock_close_prices.txt', delimiter=',') window_size = 5 rolling_mean = np.convolve(close_prices, np.ones(window_size)/window_size, mode='valid') plt.plot(range(len(close_prices)), close_prices, label="Raw Prices") plt.plot(range(window_size - 1, len(rolling_mean)+ window_size -1 ), rolling_mean, color='red', linewidth=2, linestyle="--",label=f"{window_size}-Day Rolling Mean") plt.legend(loc="upper left") plt.xlabel('Days') plt.ylabel('Price ($)') plt.grid(True) plt.show() ``` ---