Python 中的 `np` 是 **NumPy** 库的通用别名。它是一个用于科学计算的基础 Python 库，提供了高性能的多维数组对象 `ndarray`，以及用于处理这些数组的大量工具和函数 [ref_1][ref_2][ref_3][ref_4][ref_5][ref_6]。 ### 1. NumPy 库的核心功能 NumPy 是 Python 数据科学生态系统的基石，几乎所有其他高级数据处理、分析和机器学习库（如 Pandas, SciPy, Scikit-learn, TensorFlow, PyTorch）都构建在其之上。其主要功能如下表所示： | 核心功能 | 描述 | | :--- | :--- | | **多维数组对象 (`ndarray`)** | 提供高效存储和操作同构数据（通常是数值型）的 N 维数组结构，这是 NumPy 的核心。 | | **广播功能** | 允许不同形状的数组进行算术运算，而无需显式复制数据，极大地简化了代码并提升了性能。 | | **线性代数运算** | 提供矩阵乘法、求逆、特征值分解、奇异值分解等丰富的线性代数函数。 | | **傅里叶变换** | 包含快速傅里叶变换（FFT）的实现，用于信号处理和频谱分析。 | | **随机数生成** | 提供了多种概率分布的随机数生成器，用于模拟和抽样。 | | **数学函数** | 提供了大量的数学函数，如三角函数、指数、对数、求和、求平均值、标准差等，可对整个数组进行快速向量化计算。 | ### 2. 别名 `np` 的由来 在 Python 社区，通过 `import numpy as np` 将 NumPy 导入并重命名为 `np` 已成为一个广泛遵循的约定。这样做主要是为了： * **简洁性**：`np.` 比 `numpy.` 更短，在编写涉及大量数组操作的代码时，能显著提高代码的可读性和编写效率。 * **一致性**：遵循此约定使得不同开发者编写的代码具有统一的风格，便于交流和协作。 ### 3. 结合 `np.percentile` 示例说明 以参考资料中反复出现的 `np.percentile` 函数为例，可以具体展示 `np` 作为 NumPy 别名的使用方式及其功能。该函数用于计算数组的百分位数（分位数）。 ```python import numpy as np # 导入NumPy库并赋予别名`np` # 创建一个一维数组 data = np.array([10, 20, 30, 40, 50, 60, 70, 80, 90, 100]) # 使用 np.percentile 计算中位数（第50百分位数） median = np.percentile(data, 50) print(f"中位数 (50th percentile): {median}") # 输出：中位数 (50th percentile): 55.0 # 计算下四分位数（第25百分位数）和上四分位数（第75百分位数） q1 = np.percentile(data, 25) q3 = np.percentile(data, 75) print(f"下四分位数 (Q1): {q1}") # 输出：下四分位数 (Q1): 32.5 print(f"上四分位数 (Q3): {q3}") # 输出：上四分位数 (Q3): 77.5 # 计算多维数组沿指定轴的百分位数 matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 沿 axis=0（列方向）计算第50百分位数 percentile_axis0 = np.percentile(matrix, 50, axis=0) print(f"沿列方向的中位数: {percentile_axis0}") # 输出：沿列方向的中位数: [4. 5. 6.] ``` 在上面的代码中，`np.array` 用于创建 NumPy 数组，`np.percentile` 则是 NumPy 提供的用于统计计算的函数。通过 `np.` 这个简洁的前缀，我们可以方便地调用 NumPy 的所有功能 [ref_1][ref_2][ref_3][ref_4][ref_5][ref_6]。 ### 4. 总结 简而言之，`np` 是 **NumPy** 库的标准别名。NumPy 提供了 Python 中进行高效数值计算的基石——多维数组，以及围绕数组的一系列数学、逻辑、统计和线性代数操作。`np.percentile` 仅仅是其众多强大功能中的一个具体例子，用于计算分位数。在数据分析、机器学习、科学计算等领域，使用 `import numpy as np` 是开始任何相关工作的第一步。