### NumPy 使用教程 #### 什么是 NumPy？ NumPy 是 Python 中用于数值计算的核心库之一，提供了高效的多维数组对象 `ndarray` 及其相关功能。它广泛应用于数据分析、科学计算以及机器学习领域[^2]。 --- #### 安装与导入 要使用 NumPy，需先完成安装并将其导入到项目中。 1. **安装 NumPy** 如果尚未安装 NumPy，可通过以下命令进行安装： ```bash pip install numpy ``` 2. **导入 NumPy 库** 导入 NumPy 的标准方式如下所示： ```python import numpy as np ``` --- #### 创建 NumPy 数组 NumPy 提供多种方法来创建数组： 1. **从 Python 列表创建** 可以通过 `np.array()` 函数将现有的 Python 列表转换为 NumPy 数组。 ```python list_data = [1, 2, 3, 4, 5] array_from_list = np.array(list_data) print(array_from_list) # 输出: [1 2 3 4 5] ``` 2. **使用 NumPy 函数创建** NumPy 提供了许多内置函数来快速生成特定类型的数组。 - 零矩阵：`np.zeros()` ```python zeros_array = np.zeros((3, 3)) print(zeros_array) ``` 结果是一个 $3 \times 3$ 的零矩阵[^1]。 - 单位矩阵：`np.eye()` ```python identity_matrix = np.eye(3) print(identity_matrix) ``` - 均匀分布随机数：`np.random.rand()` ```python random_uniform = np.random.rand(3, 3) print(random_uniform) ``` --- #### 数组操作 NumPy 支持丰富的数组操作，包括索引、切片、运算和广播机制。 1. **索引与切片** 类似于 Python 列表的操作，但支持更高维度的访问。 ```python arr = np.arange(10).reshape(2, 5) print(arr[0, :]) # 访问第 0 行的所有列 print(arr[:, 2]) # 访问所有行的第 2 列 ``` 2. **数组运算** NumPy 数组可以直接参与算术运算，效率远高于纯 Python 实现。 ```python a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) add_result = a + b # 加法 mul_result = a * b # 逐元素乘法 dot_product = np.dot(a, b) # 点积 ``` 3. **广播机制** 广播允许不同形状的数组之间执行运算，前提是它们满足一定的兼容条件。 ```python c = np.ones((3, 3)) # 形状 (3, 3) d = np.array([1, 2, 3]) # 形状 (3,) result = c + d # 自动扩展 d 至 (3, 3)，然后相加 ``` --- #### 文件存取 NumPy 提供了简单的方法来保存和加载数组数据。 1. **保存单个数组** 使用 `np.save()` 方法可将数组保存至 `.npy` 文件。 ```python data_to_save = np.array([1, 2, 3, 4, 5]) np.save('data.npy', data_to_save) loaded_data = np.load('data.npy') print(loaded_data) ``` 2. **保存多个数组** 若有多个数组需要存储，则可以使用 `np.savez()` 或 `np.savez_compressed()` 来压缩保存。 ```python array1 = np.array([1, 2, 3]) array2 = np.array([4, 5, 6]) np.savez('arrays.npz', first=array1, second=array2) with np.load('arrays.npz') as data: print(data['first']) print(data['second']) ``` --- #### 性能优势 相比于原生 Python 列表，NumPy 在处理大规模数据时具有显著性能提升。以下是对比示例： ```python import random import time import numpy as np # 构造大列表 large_list = [random.random() for _ in range(10000000)] start_time = time.time() sum_native = sum(large_list) # 使用 Python 内置求和 print(f"Native Sum Time: {time.time() - start_time:.2f} seconds") # 转换为 NumPy 数组 large_array = np.array(large_list) start_time = time.time() sum_numpy = np.sum(large_array) # 使用 NumPy 求和 print(f"Numpy Sum Time: {time.time() - start_time:.2f} seconds") ``` 实验表明，在相同规模下，NumPy 运算速度通常优于传统实现[^4]。 --- #### 统计与线性代数运算 NumPy 不仅适用于基础数组操作，还提供强大的统计和线性代数工具。 1. **统计运算** ```python stats_arr = np.array([[1, 2], [3, 4]]) mean_value = np.mean(stats_arr) # 平均值 max_value = np.max(stats_arr) # 最大值 std_deviation = np.std(stats_arr) # 标准差 ``` 2. **线性代数运算** ```python matrix_a = np.array([[1, 2], [3, 4]]) matrix_b = np.array([[5, 6], [7, 8]]) product = np.matmul(matrix_a, matrix_b) # 矩阵乘法 determinant = np.linalg.det(matrix_a) # 行列式 inverse = np.linalg.inv(matrix_a) # 逆矩阵 ``` --- #### 总结 NumPy 是一个强大而灵活的库，能够高效地处理各种数值型数据。无论是简单的数组操作还是复杂的科学计算任务，都可以借助 NumPy 得到解决[^1]。 ---