### 使用 NumPy 进行科学计算 NumPy 是一个强大的 Python 库，专门用于科学计算。它提供了多维数组对象 `ndarray` 和一系列操作该对象的方法，使得数值计算变得简单高效[^2]。 #### 数组创建与基本操作 可以轻松地创建一维或多维数组： ```python import numpy as np # 创建一维数组 a = np.array([1, 2, 3]) # 创建二维数组 b = np.array([[1, 2], [3, 4]]) print(a) print(b) ``` 还可以通过指定形状、数据类型等方式生成特定模式的数据集： ```python c = np.zeros((3, 4)) # 全零矩阵 d = np.ones((2, 3)) # 全幺矩阵 e = np.eye(3) # 单位阵 f = np.arange(0, 10, 2) # 类似于 range 函数 g = np.linspace(0, 9, 5)# 均匀分布的序列 h = np.random.rand(3, 3)# 随机数构成的矩阵 i = np.full((2, 2), 7) # 给定值填充的新数组 j = np.empty((2, 2)) # 不初始化任何值的新数组 ``` #### 数据索引与切片 类似于列表的操作方式，但更加灵活方便： ```python k = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(k[0][0]) # 获取单个元素 print(k[:, :2]) # 列表前两列的所有行 print(k[[0, 2]]) # 只取第0和第2行 ``` #### 广播机制 当两个不同大小的数组相加减时，较小的那个会自动扩展到较大的尺寸来进行逐元素运算： ```python m = np.array([1, 2]) n = np.array([[1],[2],[3]]) o = m + n # 结果为 [[2,3],[3,4],[4,5]] ``` #### 矩阵运算 对于线性代数中的常见操作如转置、逆、行列式等都有现成函数可用： ```python p = np.array([[1., 2.], [3., 4.]]) q = p.T # 转置 r = np.linalg.inv(p) # 求逆 s = np.linalg.det(p) # 行列式的值 t = np.dot(p, q) # 点积/内积 u = np.cross(m, m*2) # 向量叉乘 v = np.outer(m, m*2) # 外积 w = np.trace(q) # 对角线之和 x = np.diag(p) # 提取出对角线上面的内容形成向量 y = np.vander(m) # Vandermonde matrix范德蒙矩阵 z = np.triu(p) # 上三角部分保留其余位置设为0 aa = np.tril(p) # 下三角部分保留其余位置设为0 ab = np.einsum('ij,j->i', t, r.reshape(-1)) # Einstein summation convention爱因斯坦求和约定 ac = np.tensordot(t,t,axes=1) # tensor dot product张量点积 ad = np.kron(np.eye(2),np.ones((2,2))) # Kronecker Product克罗内克积 ae = np.linalg.matrix_power(ad,2) # Matrix Power矩阵幂次方 af = np.linalg.solve(ad,np.array([1,0,0,1])) # Solve linear equations解线性方程组 ag = np.linalg.qr(ad)[0] # QR DecompositionQR分解 ah = np.linalg.svd(ad)[0] # Singular Value Decomposition奇异值分解 ai = np.linalg.eig(ad)[0] # Eigenvalue decomposition特征值分解 aj = np.fft.fft(np.sin(np.pi*np.linspace(0,1,100))) # Fast Fourier Transform快速傅里叶变换 ak = np.polyfit(x=[0,1,2,3], y=[1,-1,1,-1], deg=3) # Polynomial fitting多项式拟合 al = np.roots(ak) # Find roots of polynomial找到多项式的根 am = np.interp(.5,[0,1],[0,1]) # Linear interpolation插值法 an = np.histogram(np.random.randn(1000), bins='auto') # Histogram直方图统计 ao = np.percentile(an[0],50) # Percentiles百分位数 ap = np.corrcoef(np.random.randn(100),np.random.randn(100))[0,1] # Correlation coefficient相关系数 aq = np.convolve([1,2,3],[0,1,0.5],'same') # Convolution卷积 ar = np.gradient(np.sin(np.linspace(0,2*np.pi,100)), edge_order=2) # Gradient梯度 as_ = np.diff(ar,n=2) # Difference and approximate derivative差分近似导数 at = np.pad(ar,pad_width=(1,),mode='constant', constant_values=(0,0)) # Padding padding补边 au = np.unique(['apple','banana','orange','apple']) # Unique unique唯一化 av = np.in1d(['apple','pear'],['apple','banana','orange']) # Test whether each element of a 1-D array is also present in the second array测试第一个一维数组中的每个元素是否也存在于第二个数组中 aw = np.setdiff1d(['apple','pear'],['apple','banana','orange'],assume_unique=True) # Set difference setdiff1d集合差异 ax = np.union1d(['apple','pear'],['apple','banana','orange']) # Union union并集 ay = np.intersect1d(['apple','pear'],['apple','banana','orange']) # Intersection intersect交集 az = np.isin(['apple','pear'],['apple','banana','orange']) # Element-wise containment check contains元素包含检查 ba = np.where(['apple','pear']=='apple')[0] # Where where查找满足条件的位置 bb = np.nonzero(['apple','pear']!='apple')[0] # Non-zero nonzero非零项位置 bc = np.bincount([1,2,3,4,2,3,4]).argmax() # Bin count bincount计数最大值所在类别编号 bd = np.digitize([1.2,10.5],[-1,0,5,10,15]) # Digitize digitize离散化 be = np.searchsorted([-1,0,5,10,15],[1.2,10.5],side='right') # Search sorted searchsorted有序插入位置查询 bf = np.argsort(['apple','pear','banana']) # Argsort argsort返回排序后的下标顺序 bg = np.lexsort((['apple','pear','banana'],'abc')) # Lex sort lexsort字典序排列 bh = np.sort(['apple','pear','banana']) # Sort sort直接排序 bi = np.partition(['apple','pear','banana'],1) # Partition partition划分 bj = np.median([1,2,3,4,5]) # Median median中位数 bk = np.average([1,2,3,4,5],weights=[1,2,3,4,5]) # Average average平均值（可带权） bl = np.var([1,2,3,4,5]) # Variance var方差 bm = np.std([1,2,3,4,5]) # Standard deviation std标准差 bn = np.correlate([1,2,3],[0,1,.5],'valid') # Cross-correlation correlate互相关联 bo = np.allclose([1e10,1e-7],[1.00001e10,1e-8],rtol=.1) # All close allclose判断浮点误差范围内是否相同 bp = np.any([True,False,True]) # Any any是否存在真值 bq = np.all([True,True,True]) # All all全部都是真值吗？ br = np.isnan([float('nan'),1,2]) # Is NaN isnan检测NaN bs = np.isinf([1,float('inf'),2]) # Is Inf isinf检测无穷大 bt = np.signbit([-1,0,1]) # Sign bit signbit符号位 bu = np.nextafter(0,1) # Next after nextafter下一个有效表示数 bv = np.spacing(1) # Spacing spacing相邻浮点数间距 bw = np.iinfo(np.int32).min # I info iinfo整型信息最小值 bx = np.finfo(float).eps # F info finfo浮点精度 by = np.errstate(divide='ignore').__enter__() # Err state errstate设置错误状态处理方式 bz = np.seterr(all='warn') # Set error seterr设定全局错误处理级别 ca = np.geterrobj()[1] # Get errobj geterrobj获取当前错误处理配置参数之一 ``` 以上只是展示了部分功能，在实际应用过程中可以根据具体需求探索更多可能性。由于许多机器学习框架都依赖于 NumPy 来完成底层计算任务，掌握好这个工具能够帮助更好地理解那些复杂算法背后的原理[^1]。