### Numpy 数组的基本运算 Numpy 提供了丰富的功能用于执行数组间的四则运算以及数组与标量之间的运算。对于二维数组的操作，无需显式编写循环遍历每个元素；所有运算均自动矢量化处理，提高了效率并简化了代码[^1]。 #### 例子：创建两个二维数组 `a` 和 `b` ```python import numpy as np a = np.array([[1, 2, 3], [4, 5, 6]]) b = np.array([[4, 5, 6], [1, 2, 3]]) ``` #### 数组间运算 可以直接对两个相同形状的数组应用加法、减法、乘法和除法： ```python addition_result = a + b subtraction_result = a - b multiplication_result = a * b division_result = a / b print("Addition:\n", addition_result) print("\nSubtraction:\n", subtraction_result) print("\nMultiplication:\n", multiplication_result) print("\nDivision:\n", division_result) ``` 上述操作会对相应位置上的元素逐一进行指定类型的运算。 #### 数组与标量运算 除了数组之间相互作用外，还可以让整个数组加上、减去、乘以或除以单个数值（即标量）。这种情况下，该值会被应用于每一个单独的元素上： ```python scalar_addition = a + 5 scalar_multiplication = b * 2 scalar_division = b / 10 print("Scalar Addition with Array 'a':\n", scalar_addition) print("\nScalar Multiplication with Array 'b':\n", scalar_multiplication) print("\nScalar Division with Array 'b':\n", scalar_division) ``` 这些特性使得在数学建模和物理模拟等领域中处理大量数据变得异常简单高效[^2]。 #### 统计分析函数 为了进一步增强数据分析能力，Numpy还提供了多种内置统计函数来帮助获取有关数组的信息。例如求取最小值及其索引位置、最大值及其索引位置等: ```python array_for_stats = np.array([[3, 2, 1], [4, 5, 6], [9, 8, 7]]) minimum_value_index_flat = np.argmin(array_for_stats) maximum_value_index_flat = np.argmax(array_for_stats) # 将扁平化后的索引转换回原始多维形式 max_position = np.unravel_index(maximum_value_index_flat, array_for_stats.shape) min_position = np.unravel_index(minimum_value_index_flat, array_for_stats.shape) range_of_values = np.ptp(array_for_stats) # 极差 (Peak to Peak) print(f"Minimum Value Position: {min_position}") print(f"Maximum Value Position: {max_position}") print(f"Range of Values: {range_of_values}") ``` 通过以上介绍可以看出，在Python环境中利用Numpy库能够极大地提高矩阵运算的速度与便捷性，同时也为后续更复杂的数据处理奠定了坚实的基础[^4]。