numpy

1. 什么是 NumPy？

NumPy（Numerical Python）是 Python 中最基础的数值计算库。它提供了高性能的多维数组对象（ndarray）以及丰富的数学函数。几乎所有的数据科学、机器学习、科学计算库都基于 NumPy。

为什么要用 NumPy？

想象一下，如果你想计算一个包含 100 万个数字的列表的每个元素的平方。使用 Python 的普通列表需要逐个处理，非常慢。但使用 NumPy 数组，一行代码就能完成，速度可以提升几十倍甚至上百倍。

NumPy 的优势 ：

速度快 ：使用 C 语言实现，比 Python 原生列表快得多
向量化计算 ：可以对整个数组进行数学运算，无需循环
内存高效 ：存储相同的数据，NumPy 数组比 Python 列表占用更少内存
丰富的功能 ：提供大量的数学、统计、线性代数函数
生态基础 ：Pandas、Matplotlib、Scikit-learn 等都依赖 NumPy

前置知识补充 ：
数组：数组是一个包含多个元素的数据结构，元素通常是同类型的（比如都是整数或都是浮点数）。一维数组就像一行数字，二维数组像表格，三维数组像立方体。
向量：一维数组可以称为向量，比如 [1, 2, 3]。
矩阵：二维数组可以称为矩阵，比如 [[1, 2], [3, 4]]。
向量化计算 ：对数组中的每个元素同时执行相同的操作，比如对数组 [1, 2, 3] 的每个元素加 1，得到 [2, 3, 4]。

2. 环境准备

在学习 NumPy 之前，需要确保你的 Python 环境已经准备好。NumPy 支持 Python 3.8 及以上版本。

2.1 检查 Python 版本

在安装之前，先检查一下你的 Python 版本是否符合要求。

# Windows PowerShell：查看 Python 版本
python --version


# macOS 终端：查看 Python 版本
python3 --version

2.2 安装 NumPy

NumPy 可以直接通过 pip 安装。安装过程会自动下载所需的依赖包。

# 说明：Windows PowerShell 安装 NumPy
# 先升级 pip 到最新版本，确保能正常安装依赖
python -m pip install --upgrade pip
# 安装 NumPy 库
python -m pip install numpy


# 说明：macOS / Linux 终端安装 NumPy
# 先升级 pip 到最新版本
python3 -m pip install --upgrade pip
# 安装 NumPy 库
python3 -m pip install numpy

网络加速提示 ：如果从 PyPI 下载较慢，可以使用国内镜像：
Windows: python -m pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
macOS: python3 -m pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

安装问题提示 ：在某些旧环境中可能遇到二进制轮子缺失的问题，可以尝试：
Windows: python -m pip install numpy --prefer-binary
macOS: python3 -m pip install numpy --prefer-binary 或者直接安装 Anaconda/Miniconda，它们自带 NumPy。

2.3 验证安装

安装完成后，验证一下是否安装成功。

方法/属性	功能说明	常用参数	返回值
`np.array()`	将 Python 列表转换为 NumPy 数组	`object`：要转换的列表或可迭代对象	ndarray 数组对象
`ndarray` 属性	数组的各种属性（如 shape、dtype 等）	无	对应属性值

# -*- coding: utf-8 -*-
# 说明：验证 NumPy 是否安装成功

# 说明：导入 NumPy 库
# 通常使用 np 作为 NumPy 的别名，这是约定俗成的做法
import numpy as np

# 说明：创建一个简单的数组进行测试
# array() 函数可以将 Python 列表转换为 NumPy 数组
test_array = np.array([1, 2, 3, 4, 5])

# 说明：打印数组，验证安装是否成功
print("安装成功！测试数组：", test_array)

# 说明：打印 NumPy 版本信息
print(f"NumPy 版本：{np.__version__}")

# 说明：如果没有报错并输出了数组，说明安装成功

3. 核心概念

在使用 NumPy 之前，需要理解几个核心概念。这些概念是理解 NumPy 的基础。

3.1 ndarray（数组对象）

ndarray 是 NumPy 的核心，它是一个多维数组对象。所有元素必须是相同类型（比如都是整数或都是浮点数）。

3.2 维度（Dimensions）

0 维 ：标量（单个数字），如 42
1 维 ：向量（一行数字），如 [1, 2, 3]
2 维 ：矩阵（表格），如 [[1, 2], [3, 4]]
3 维及以上 ：多维数组

3.3 形状（Shape）

形状描述数组在每个维度上的大小。例如：

[1, 2, 3] 的形状是 (3,)，表示有 3 个元素
[[1, 2], [3, 4]] 的形状是 (2, 2)，表示有 2 行 2 列

3.4 数据类型（dtype）

NumPy 数组中的元素必须是相同类型，比如：

int32：32 位整数
float64：64 位浮点数（小数）
bool：布尔值（True/False）

4. 创建数组

NumPy 提供了多种创建数组的方法，从 Python 列表转换是最常用的方式。

4.1 从 Python 列表创建

方法/属性	功能说明	常用参数	返回值
`np.array()`	将 Python 列表转换为 NumPy 数组	`object`：要转换的列表或可迭代对象	ndarray 数组对象
`.shape`	获取数组的形状（每个维度的大小）	无（属性）	元组，表示数组形状

# -*- coding: utf-8 -*-
# 说明：演示如何从 Python 列表创建 NumPy 数组

# 说明：导入 NumPy 库
import numpy as np

# 说明：从 Python 列表创建一维数组
# array() 函数将 Python 列表转换为 NumPy 数组
arr1 = np.array([1, 2, 3, 4, 5])
print("一维数组：", arr1)

# 说明：创建二维数组（矩阵形式）
# 传入一个嵌套列表，外层列表的每个元素是一行
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print("二维数组（2行3列）：")
print(arr2)

# 说明：创建三维数组（较少使用，但了解即可）
# 三层嵌套列表
arr3 = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print("三维数组：")
print(arr3)
print(f"形状：{arr3.shape}")  # 形状是 (2, 2, 2)

4.2 创建特殊数组

NumPy 提供了许多函数来创建常用的特殊数组。

方法/属性	功能说明	常用参数	返回值
`np.zeros()`	创建全零数组	`shape`：数组形状，如 `(2, 3)`	全零数组
`np.ones()`	创建全一数组	`shape`：数组形状，如 `(3, 2)`	全一数组
`np.eye()`	创建单位矩阵（对角线为1，其他为0）	`N`：矩阵大小	单位矩阵
`np.arange()`	创建等差数列	`start`：起始值，`stop`：结束值（不包含），`step`：步长	等差数列
`np.linspace()`	创建等间隔数组	`start`：起始值，`stop`：结束值（包含），`num`：元素个数	等间隔数组
`np.empty()`	创建空数组（值未初始化）	`shape`：数组形状	空数组（值随机）

# -*- coding: utf-8 -*-
# 说明：演示如何创建特殊的数组

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建全零数组
# zeros() 函数创建一个全为 0 的数组
# 参数 (2, 3) 表示创建一个 2 行 3 列的数组
zeros = np.zeros((2, 3))
print("全零数组（2行3列）：")
print(zeros)

# 说明：创建全一数组
# ones() 函数创建一个全为 1 的数组
# 参数 (3, 2) 表示创建一个 3 行 2 列的数组
ones = np.ones((3, 2))
print("\n全一数组（3行2列）：")
print(ones)

# 说明：创建单位矩阵（对角线为 1，其他为 0）
# eye() 函数创建单位矩阵
# 参数 3 表示创建一个 3x3 的单位矩阵
identity = np.eye(3)
print("\n单位矩阵（3x3）：")
print(identity)

# 说明：创建等差数列
# arange() 函数创建一个等差数列
# 参数：起始值、结束值（不包含）、步长
# 这里从 0 开始，到 10（不包含），步长为 2
range_arr = np.arange(0, 10, 2)
print("\n等差数列（0到10，步长2）：", range_arr)

# 说明：创建等间隔数组
# linspace() 函数创建一个等间隔的数组
# 参数：起始值、结束值（包含）、元素个数
# 这里从 0 到 1（包含），创建 5 个等间隔的数
linspace_arr = np.linspace(0, 1, 5)
print("\n等间隔数组（0到1，5个数）：", linspace_arr)

# 说明：创建空数组（未初始化，值是随机的）
# empty() 函数创建一个空数组（不初始化值，速度更快）
# 参数 (2, 3) 表示创建一个 2 行 3 列的数组
empty = np.empty((2, 3))
print("\n空数组（值未初始化）：")
print(empty)

4.3 查看数组属性

了解数组的属性有助于更好地使用 NumPy。

本代码块中使用的 NumPy 属性：

属性	功能说明	返回值
`.ndim`	数组的维度数	整数（如 1 表示一维，2 表示二维）
`.shape`	数组的形状（每个维度的大小）	元组（如 `(2, 3)` 表示 2 行 3 列）
`.size`	数组中元素的总数	整数
`.dtype`	数组元素的数据类型	数据类型（如 `int64`、`float64`）
`.itemsize`	每个元素占用的字节数	整数（字节数）
`.nbytes`	数组占用的总字节数	整数（总字节数 = size × itemsize）

# -*- coding: utf-8 -*-
# 说明：演示如何查看数组的属性

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建一个示例数组
arr = np.array([[1, 2, 3], [4, 5, 6]])

# 说明：查看数组的维度（维度数）
# ndim 属性返回数组的维度数
print("维度数：", arr.ndim)  # 2 维

# 说明：查看数组的形状（每个维度的大小）
# shape 属性返回一个元组，表示数组的形状
print("形状：", arr.shape)  # (2, 3) 表示 2 行 3 列

# 说明：查看数组的元素总数
# size 属性返回数组中元素的总数
print("元素总数：", arr.size)  # 2 * 3 = 6

# 说明：查看数组的数据类型
# dtype 属性返回数组中元素的数据类型
print("数据类型：", arr.dtype)  # int64（整数）

# 说明：查看数组的大小（字节数）
# itemsize 属性返回每个元素占用的字节数
print("每个元素的字节数：", arr.itemsize)  # 8 字节（int64）

# 说明：查看数组的总字节数
# nbytes 属性返回数组占用的总字节数
print("总字节数：", arr.nbytes)  # 6 * 8 = 48 字节

5. 索引与切片

索引和切片是访问和修改数组元素的重要方式。NumPy 的索引方式与 Python 列表类似，但支持多维索引。

5.1 基本索引

方法/操作	功能说明	常用参数	返回值
`np.arange()`	创建等差数列	`start`：起始值，`stop`：结束值（不包含）	等差数列
`.reshape()`	改变数组形状	`shape`：新形状，如 `(3, 3)`	重塑后的数组（视图）
`arr[i, j]`	访问数组中的单个元素	`i`：行索引，`j`：列索引	单个元素值
`arr[i]`	访问数组的第 i 行	`i`：行索引	第 i 行的数组
`arr[:, j]`	访问数组的第 j 列	`j`：列索引	第 j 列的数组

# -*- coding: utf-8 -*-
# 说明：演示基本的索引操作

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建一个 3x3 的数组作为示例
# arange(1, 10) 创建 [1, 2, 3, 4, 5, 6, 7, 8, 9]
# reshape(3, 3) 将其重塑为 3 行 3 列
arr = np.arange(1, 10).reshape(3, 3)
print("原始数组：")
print(arr)

# 说明：访问单个元素
# 使用 [行索引, 列索引] 的方式访问
# 索引从 0 开始，第一个元素的索引是 0
element = arr[1, 1]  # 访问第 2 行第 2 列的元素
print(f"\n第2行第2列的元素：{element}")

# 说明：访问整行
# 只指定行索引，不指定列索引，返回整行
row = arr[0]  # 访问第 1 行
print(f"第1行：{row}")

# 说明：访问整列
# 使用 [:, 列索引] 的方式访问整列
# : 表示所有行
col = arr[:, 0]  # 访问第 1 列
print(f"第1列：{col}")

5.2 切片操作

切片可以获取数组的子集。

方法/操作	功能说明	常用参数	返回值
`arr[start:end, start:end]`	切片获取子数组	`start`：起始索引，`end`：结束索引（不包含）	子数组
`arr[-1]`	使用负数索引（从末尾开始）	`-1` 表示最后一个元素	最后一个元素或行
`arr[:, :]`	获取所有行和所有列	无	完整的数组

# -*- coding: utf-8 -*-
# 说明：演示切片操作

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建一个 3x3 的数组
arr = np.arange(1, 10).reshape(3, 3)
print("原始数组：")
print(arr)

# 说明：切片获取子数组
# 语法：arr[行起始:行结束, 列起始:列结束]
# 注意：结束索引不包含在结果中
# arr[0:2, 1:3] 表示第 1-2 行（索引 0-1），第 2-3 列（索引 1-2）
sub_arr = arr[0:2, 1:3]
print("\n子数组（第1-2行，第2-3列）：")
print(sub_arr)

# 说明：使用负数索引（从末尾开始）
# -1 表示最后一个元素，-2 表示倒数第二个
last_row = arr[-1]  # 最后一行
print(f"\n最后一行：{last_row}")

# 说明：省略所有索引（获取所有行/列）
all_rows = arr[:, :]  # 获取所有行和所有列（等同于 arr）
print(f"\n所有行：")
print(all_rows)

5.3 布尔索引

布尔索引可以根据条件筛选数组元素。

方法/操作	功能说明	常用参数	返回值
`arr > value`	比较运算，返回布尔数组	`value`：比较值	布尔数组（True/False）
`arr[mask]`	使用布尔掩码筛选元素	`mask`：布尔数组	满足条件的元素数组
`(条件1) & (条件2)`	组合多个条件（且）	两个布尔条件	组合后的布尔数组
`arr[condition] = value`	根据条件修改元素	`condition`：布尔条件，`value`：新值	无（修改原数组）

# -*- coding: utf-8 -*-
# 说明：演示布尔索引（根据条件筛选元素）

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建一个示例数组
arr = np.arange(1, 10).reshape(3, 3)
print("原始数组：")
print(arr)

# 说明：创建布尔掩码（条件）
# 比较运算返回一个布尔数组，其中 True 表示满足条件，False 表示不满足
mask = arr > 5
print("\n布尔掩码（大于5的元素为True）：")
print(mask)

# 说明：使用布尔掩码筛选元素
# 只返回掩码中为 True 的位置对应的元素
filtered = arr[mask]
print("\n满足条件（大于5）的元素：", filtered)

# 说明：更复杂的条件
# 可以使用 &（且）、|（或）、~（非）组合多个条件
# 注意：必须使用括号
condition = (arr > 3) & (arr < 7)
result = arr[condition]
print("\n大于3且小于7的元素：", result)

# 说明：修改满足条件的元素
arr[arr > 5] = 0  # 将所有大于 5 的元素设置为 0
print("\n修改后（大于5的元素变为0）：")
print(arr)

5.4 花式索引

花式索引可以根据索引列表选择元素。

方法/操作	功能说明	常用参数	返回值
`arr[rows]`	使用索引列表选择行	`rows`：行索引列表	选中的行数组
`arr[rows, cols]`	使用索引列表选择元素	`rows`：行索引列表，`cols`：列索引列表	选中的元素数组
`np.ix_()`	创建索引网格（用于矩形区域选择）	`rows`：行索引列表，`cols`：列索引列表	索引网格元组

# -*- coding: utf-8 -*-
# 说明：演示花式索引（使用索引列表选择元素）

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建一个示例数组
arr = np.arange(1, 10).reshape(3, 3)
print("原始数组：")
print(arr)

# 说明：使用索引列表选择特定行
# [0, 2] 表示选择第 1 行和第 3 行（索引 0 和 2）
rows = [0, 2]
selected_rows = arr[rows]
print("\n选择的第1行和第3行：")
print(selected_rows)

# 说明：使用索引列表选择特定元素
# 同时指定行索引和列索引
rows = [0, 2]  # 选择第 1 行和第 3 行
cols = [2, 0]  # 分别选择第 3 列和第 1 列
selected = arr[rows, cols]  # 选择 (0,2) 和 (2,0) 位置的元素
print("\n花式索引结果（(0,2) 和 (2,0)）：", selected)

# 说明：选择矩形区域
# 使用 np.ix_() 函数创建索引网格
rows = [0, 2]
cols = [0, 2]
grid = arr[np.ix_(rows, cols)]  # 选择 (0,0), (0,2), (2,0), (2,2)
print("\n使用 np.ix_() 选择的矩形区域：")
print(grid)

6. 数组操作

数组操作包括形状改变、拼接、拆分等，这些是数据预处理中常用的操作。

6.1 改变数组形状

方法	功能说明	常用参数	返回值
`.reshape()`	改变数组形状（返回视图）	`shape`：新形状，如 `(3, 4)`	重塑后的数组
`.flatten()`	展平数组（返回副本）	无	一维数组（副本）
`.ravel()`	展平数组（返回视图）	无	一维数组（通常是视图）
`arr[:, None]`	增加维度（将行向量变为列向量）	`None`：在指定位置添加新维度	增加维度后的数组

# -*- coding: utf-8 -*-
# 说明：演示如何改变数组的形状

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建一维数组
vector = np.arange(12)
print("原始一维数组：", vector)
print(f"形状：{vector.shape}")

# 说明：重塑为二维数组
# reshape() 方法改变数组的形状
# 参数 (3, 4) 表示重塑为 3 行 4 列
# 注意：新形状的元素总数必须与原数组相同（12 = 3 * 4）
matrix = vector.reshape(3, 4)
print("\n重塑为 3x4 矩阵：")
print(matrix)
print(f"形状：{matrix.shape}")

# 说明：展平数组（变回一维）
# flatten() 方法返回一个展平后的副本（不影响原数组）
flat1 = matrix.flatten()
print("\nflatten() 展平（返回副本）：", flat1)

# 说明：ravel() 方法也可以展平（通常返回视图，可能影响原数组）
flat2 = matrix.ravel()
print("ravel() 展平（可能返回视图）：", flat2)

# 说明：改变数组的维度数
# 使用 None 或 np.newaxis 增加维度
row_vec = np.array([1, 2, 3])
col_vec = row_vec[:, None]  # 变为列向量（2 维）
print(f"\n原数组：{row_vec}, 形状：{row_vec.shape}")
print(f"列向量：\n{col_vec}, 形状：{col_vec.shape}")

6.2 拼接数组

方法	功能说明	常用参数	返回值
`np.vstack()`	垂直拼接（按行拼接，行数增加）	`tup`：要拼接的数组元组或列表	垂直拼接后的数组
`np.hstack()`	水平拼接（按列拼接，列数增加）	`tup`：要拼接的数组元组或列表	水平拼接后的数组
`np.concatenate()`	通用拼接函数	`arrays`：要拼接的数组列表，`axis`：拼接的轴（0=行，1=列）	拼接后的数组

# -*- coding: utf-8 -*-
# 说明：演示如何拼接数组

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建两个示例数组
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
print("数组 a：")
print(a)
print("\n数组 b：")
print(b)

# 说明：垂直拼接（按行拼接）
# vstack() 函数将数组垂直堆叠
# 结果的行数增加
vertical = np.vstack([a, b])
print("\n垂直拼接（按行）：")
print(vertical)

# 说明：水平拼接（按列拼接）
# hstack() 函数将数组水平堆叠
# 结果的列数增加
horizontal = np.hstack([a, b])
print("\n水平拼接（按列）：")
print(horizontal)

# 说明：通用拼接函数
# concatenate() 函数可以指定拼接的轴（axis）
# axis=0 表示按行拼接（垂直），axis=1 表示按列拼接（水平）
concatenated = np.concatenate([a, b], axis=0)
print("\n使用 concatenate() 垂直拼接：")
print(concatenated)

6.3 拆分数组

方法	功能说明	常用参数	返回值
`np.hsplit()`	水平拆分（按列拆分）	`ary`：要拆分的数组，`indices`：拆分点或部分数	拆分后的数组列表
`np.vsplit()`	垂直拆分（按行拆分）	`ary`：要拆分的数组，`indices`：拆分点或部分数	拆分后的数组列表
`np.split()`	通用拆分函数	`ary`：要拆分的数组，`indices_or_sections`：拆分点，`axis`：拆分的轴	拆分后的数组列表

# -*- coding: utf-8 -*-
# 说明：演示如何拆分数组

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建一个示例数组
arr = np.arange(12).reshape(3, 4)
print("原始数组：")
print(arr)

# 说明：水平拆分（按列拆分）
# hsplit() 函数将数组水平拆分成多个子数组
# 参数 2 表示拆分成 2 个部分
parts = np.hsplit(arr, 2)
print("\n水平拆分成 2 部分：")
for i, part in enumerate(parts):
    print(f"第 {i+1} 部分：")
    print(part)

# 说明：垂直拆分（按行拆分）
# vsplit() 函数将数组垂直拆分成多个子数组
parts = np.vsplit(arr, 3)
print("\n垂直拆分成 3 部分：")
for i, part in enumerate(parts):
    print(f"第 {i+1} 部分：")
    print(part)

# 说明：通用拆分函数
# split() 函数可以指定拆分的轴
parts = np.split(arr, 3, axis=0)  # 按行拆分
print("\n使用 split() 按行拆分：")
for i, part in enumerate(parts):
    print(f"第 {i+1} 部分：")
    print(part)

7. 数学运算

NumPy 提供了丰富的数学运算函数，支持向量化计算（对整个数组进行计算）。

7.1 基本运算

本代码块中使用的 NumPy 操作：

操作	功能说明	示例	返回值
`arr1 + arr2`	向量化加法（对应元素相加）	`a + b`	相加后的数组
`arr1 - arr2`	向量化减法（对应元素相减）	`b - a`	相减后的数组
`arr1 * arr2`	向量化乘法（对应元素相乘，不是矩阵乘法）	`a * b`	相乘后的数组
`arr1 / arr2`	向量化除法（对应元素相除）	`b / a`	相除后的数组
`arr ** n`	幂运算（每个元素的 n 次方）	`a ** 2`	幂运算后的数组
`arr + scalar`	标量与数组运算（广播）	`a + 10`	每个元素都加上标量的数组
`arr * scalar`	标量与数组运算（广播）	`a * 2`	每个元素都乘以标量的数组

# -*- coding: utf-8 -*-
# 说明：演示基本的数学运算

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建两个示例数组
a = np.array([1, 2, 3, 4])
b = np.array([5, 6, 7, 8])

print("数组 a：", a)
print("数组 b：", b)

# 说明：向量化加法（对应元素相加）
# NumPy 可以直接对数组进行数学运算，不需要循环
add_result = a + b
print("\n加法（a + b）：", add_result)

# 说明：向量化减法
sub_result = b - a
print("减法（b - a）：", sub_result)

# 说明：向量化乘法（对应元素相乘，不是矩阵乘法）
mult_result = a * b
print("乘法（a * b，对应元素相乘）：", mult_result)

# 说明：向量化除法
div_result = b / a
print("除法（b / a）：", div_result)

# 说明：幂运算
power_result = a ** 2
print("幂运算（a 的平方）：", power_result)

# 说明：标量与数组的运算（广播）
# NumPy 会自动将标量广播到数组的每个元素
scalar_add = a + 10
print("\n标量加法（a + 10）：", scalar_add)

scalar_mult = a * 2
print("标量乘法（a * 2）：", scalar_mult)

7.2 数学函数

NumPy 提供了丰富的数学函数。

方法	功能说明	常用参数	返回值
`np.sin()`	计算正弦值	`x`：角度（弧度）	正弦值数组
`np.cos()`	计算余弦值	`x`：角度（弧度）	余弦值数组
`np.tan()`	计算正切值	`x`：角度（弧度）	正切值数组
`np.exp()`	计算 e 的 x 次方	`x`：指数	e^x 数组
`np.log()`	计算自然对数（以 e 为底）	`x`：真数	自然对数数组
`np.log10()`	计算以 10 为底的对数	`x`：真数	常用对数数组
`np.sqrt()`	计算平方根	`x`：被开方数	平方根数组
`np.cbrt()`	计算立方根	`x`：被开方数	立方根数组
`np.abs()`	计算绝对值	`x`：数值	绝对值数组
`np.floor()`	向下取整	`x`：浮点数	向下取整后的数组
`np.ceil()`	向上取整	`x`：浮点数	向上取整后的数组
`np.round()`	四舍五入	`x`：浮点数	四舍五入后的数组
`np.pi`	圆周率常量	无（常量）	3.14159...

# -*- coding: utf-8 -*-
# 说明：演示 NumPy 的数学函数

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建示例数组
arr = np.array([1, 2, 3, 4])

# 说明：三角函数
angles = np.array([0, np.pi/4, np.pi/2])
print("角度（弧度）：", angles)
print("sin值：", np.sin(angles))
print("cos值：", np.cos(angles))
print("tan值：", np.tan(angles))

# 说明：指数和对数
print("\n指数运算（e的x次方）：", np.exp(arr))
print("自然对数：", np.log(arr))
print("以10为底的对数：", np.log10(arr))

# 说明：开方和幂
print("\n平方根：", np.sqrt(arr))
print("立方根：", np.cbrt(arr))

# 说明：绝对值
neg_arr = np.array([-1, -2, 3, -4])
print("\n绝对值：", np.abs(neg_arr))

# 说明：向上取整和向下取整
float_arr = np.array([1.2, 2.7, 3.5, 4.1])
print("\n向下取整：", np.floor(float_arr))
print("向上取整：", np.ceil(float_arr))
print("四舍五入：", np.round(float_arr))

8. 统计函数

NumPy 提供了丰富的统计函数，可以计算均值、标准差、最大值、最小值等。

8.1 基本统计

方法	功能说明	常用参数	返回值
`np.sum()`	计算所有元素的总和	`a`：数组，`axis`：统计的轴（可选）	总和值
`np.mean()`	计算所有元素的平均值	`a`：数组，`axis`：统计的轴（可选）	平均值
`np.std()`	计算标准差（衡量数据离散程度）	`a`：数组，`axis`：统计的轴（可选）	标准差
`np.var()`	计算方差（标准差的平方）	`a`：数组，`axis`：统计的轴（可选）	方差
`np.max()`	找出最大值	`a`：数组，`axis`：统计的轴（可选）	最大值
`np.min()`	找出最小值	`a`：数组，`axis`：统计的轴（可选）	最小值
`np.argmax()`	找出最大值的索引	`a`：数组，`axis`：统计的轴（可选）	最大值的索引
`np.argmin()`	找出最小值的索引	`a`：数组，`axis`：统计的轴（可选）	最小值的索引

# -*- coding: utf-8 -*-
# 说明：演示 NumPy 的统计函数

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建一个示例矩阵
matrix = np.arange(1, 10).reshape(3, 3)
print("示例矩阵：")
print(matrix)

# 说明：计算总和
# sum() 函数计算所有元素的总和
total = np.sum(matrix)
print(f"\n总和：{total}")

# 说明：计算均值
# mean() 函数计算所有元素的平均值
average = np.mean(matrix)
print(f"均值：{average:.2f}")

# 说明：计算标准差
# std() 函数计算标准差（衡量数据的离散程度）
std_dev = np.std(matrix)
print(f"标准差：{std_dev:.2f}")

# 说明：计算方差
# var() 函数计算方差（标准差的平方）
variance = np.var(matrix)
print(f"方差：{variance:.2f}")

# 说明：找出最大值和最小值
max_value = np.max(matrix)
min_value = np.min(matrix)
print(f"\n最大值：{max_value}")
print(f"最小值：{min_value}")

# 说明：找出最大值和最小值的索引
max_index = np.argmax(matrix)
min_index = np.argmin(matrix)
print(f"最大值的索引（展平后）：{max_index}")
print(f"最小值的索引（展平后）：{min_index}")

8.2 按轴统计

在多维数组中，可以指定统计的轴（维度）。

方法	功能说明	参数说明	返回值
`np.mean(axis=0)`	沿行方向统计（计算每列的均值）	`axis=0`：沿行方向	每列均值的数组
`np.mean(axis=1)`	沿列方向统计（计算每行的均值）	`axis=1`：沿列方向	每行均值的数组
`np.sum(axis=0)`	沿行方向统计（计算每列的总和）	`axis=0`：沿行方向	每列总和的数组
`np.sum(axis=1)`	沿列方向统计（计算每行的总和）	`axis=1`：沿列方向	每行总和的数组

# -*- coding: utf-8 -*-
# 说明：演示按轴进行统计（沿特定维度）

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建一个 3x4 的矩阵
matrix = np.arange(12).reshape(3, 4)
print("示例矩阵（3行4列）：")
print(matrix)

# 说明：按行统计（axis=0，计算每列）
# axis=0 表示沿着行方向（垂直方向）统计
column_mean = np.mean(matrix, axis=0)
print("\n每列的平均值（axis=0）：", column_mean)

column_sum = np.sum(matrix, axis=0)
print("每列的总和（axis=0）：", column_sum)

# 说明：按列统计（axis=1，计算每行）
# axis=1 表示沿着列方向（水平方向）统计
row_mean = np.mean(matrix, axis=1)
print("\n每行的平均值（axis=1）：", row_mean)

row_sum = np.sum(matrix, axis=1)
print("每行的总和（axis=1）：", row_sum)

# 说明：不指定轴（计算所有元素）
all_mean = np.mean(matrix)
print(f"\n所有元素的平均值（不指定轴）：{all_mean}")

9. 随机数

NumPy 的 random 模块提供了生成随机数的功能，常用于模拟、采样、数据增强等场景。

9.1 基本随机数生成

方法	功能说明	常用参数	返回值
`np.random.seed()`	设置随机种子（确保结果可复现）	`seed`：种子值	无
`np.random.rand()`	生成 [0, 1) 区间的均匀分布随机数	`*d0, d1, ...`：各维度大小	均匀分布随机数组
`np.random.randn()`	生成标准正态分布随机数（均值0，标准差1）	`*d0, d1, ...`：各维度大小	标准正态分布随机数组
`np.random.randint()`	生成指定区间的整数随机数	`low`：最小值，`high`：最大值（不包含），`size`：大小	整数随机数组
`np.random.normal()`	生成正态分布随机数	`loc`：均值，`scale`：标准差，`size`：大小	正态分布随机数组

# -*- coding: utf-8 -*-
# 说明：演示 NumPy 的随机数生成

# 说明：导入 NumPy 库
import numpy as np

# 说明：设置随机种子（确保结果可复现）
# 设置相同的种子，每次运行会得到相同的随机数
np.random.seed(42)

# 说明：生成均匀分布的随机数
# rand() 函数生成 [0, 1) 区间的均匀分布随机数
# 参数 (2, 3) 表示生成一个 2 行 3 列的数组
uniform = np.random.rand(2, 3)
print("均匀分布随机数（[0, 1) 区间）：")
print(uniform)

# 说明：生成标准正态分布的随机数
# randn() 函数生成标准正态分布（均值为0，标准差为1）的随机数
normal = np.random.randn(2, 3)
print("\n标准正态分布随机数：")
print(normal)

# 说明：生成指定区间的整数随机数
# randint() 函数生成指定区间的整数随机数
# 参数：最小值（包含）、最大值（不包含）、大小
integers = np.random.randint(0, 10, size=(2, 3))
print("\n整数随机数（0-9）：")
print(integers)

# 说明：生成指定分布和参数的随机数
# normal() 函数生成正态分布随机数
# 参数：均值、标准差、大小
custom_normal = np.random.normal(loc=100, scale=15, size=(2, 3))
print("\n自定义正态分布（均值100，标准差15）：")
print(custom_normal)

9.2 随机选择与打乱

方法	功能说明	常用参数	返回值
`np.random.choice()`	从数组中随机选择元素	`a`：数组，`size`：选择数量，`replace`：是否允许重复	随机选择的元素数组
`np.random.shuffle()`	原地打乱数组（修改原数组）	`x`：要打乱的数组	无（修改原数组）
`np.random.permutation()`	返回打乱后的新数组（不修改原数组）	`x`：要打乱的数组	打乱后的新数组

# -*- coding: utf-8 -*-
# 说明：演示随机选择和打乱操作

# 说明：导入 NumPy 库
import numpy as np

# 说明：设置随机种子
np.random.seed(42)

# 说明：从数组中选择随机元素
# choice() 函数从数组中随机选择元素
# 参数：数组、选择数量、是否允许重复
choices = np.array(["A", "B", "C", "D"])
selected = np.random.choice(choices, size=5, replace=True)
print("从数组中选择 5 个元素（允许重复）：", selected)

# 说明：随机打乱数组
# shuffle() 函数原地打乱数组（修改原数组）
arr = np.arange(10)
print("\n原始数组：", arr)
np.random.shuffle(arr)
print("打乱后：", arr)

# 说明：返回打乱后的新数组（不修改原数组）
arr2 = np.arange(10)
print("\n原始数组：", arr2)
shuffled = np.random.permutation(arr2)
print("打乱后的新数组：", shuffled)
print("原数组未改变：", arr2)

10. 文件操作

NumPy 可以方便地将数组保存到文件或从文件加载数组。

10.1 保存和加载

方法	功能说明	常用参数	返回值
`np.random.randn()`	生成标准正态分布随机数	`*d0, d1, ...`：各维度大小	标准正态分布随机数组
`np.savetxt()`	将数组保存为文本文件	`fname`：文件名，`X`：数组，`fmt`：格式，`delimiter`：分隔符	无
`np.loadtxt()`	从文本文件加载数组	`fname`：文件名，`delimiter`：分隔符	加载的数组
`np.save()`	将数组保存为二进制文件（.npy 格式）	`file`：文件名，`arr`：数组	无
`np.load()`	从二进制文件加载数组（.npy 或 .npz 格式）	`file`：文件名	加载的数组或字典
`np.allclose()`	检查两个数组是否近似相等	`a`：数组1，`b`：数组2	布尔值（True/False）

# -*- coding: utf-8 -*-
# 说明：演示如何保存和加载 NumPy 数组

# 说明：导入 NumPy 库
import numpy as np
import os

# 说明：创建示例数据
data = np.random.randn(5, 3)
print("原始数据：")
print(data)

# 说明：保存为文本文件
# savetxt() 函数将数组保存为文本文件
# 参数：文件名、数据、格式、分隔符
np.savetxt("data.txt", data, fmt="%.4f", delimiter=",")
print("\n数据已保存到 data.txt")

# 说明：从文本文件加载
# loadtxt() 函数从文本文件加载数组
loaded_txt = np.loadtxt("data.txt", delimiter=",")
print("\n从文本文件加载的数据：")
print(loaded_txt)

# 说明：保存为二进制文件（推荐，更快更小）
# save() 函数将数组保存为 .npy 格式（NumPy 二进制格式）
np.save("data.npy", data)
print("\n数据已保存到 data.npy")

# 说明：从二进制文件加载
# load() 函数从 .npy 文件加载数组
loaded_npy = np.load("data.npy")
print("\n从二进制文件加载的数据：")
print(loaded_npy)

# 说明：验证数据是否一致
if np.allclose(data, loaded_npy):
    print("\n✓ 数据加载成功，与原始数据一致")

# 说明：清理临时文件（可选）
if os.path.exists("data.txt"):
    os.remove("data.txt")
if os.path.exists("data.npy"):
    os.remove("data.npy")

10.2 批量保存和加载

方法	功能说明	常用参数	返回值
`np.savez()`	将多个数组保存到一个压缩文件（.npz 格式）	`file`：文件名，`**kwds`：关键字参数（数组名称=数组）	无
`np.load()`	加载 .npz 文件，返回类似字典的对象	`file`：文件名	类似字典的对象，可用键访问数组

# -*- coding: utf-8 -*-
# 说明：演示如何批量保存和加载多个数组

# 说明：导入 NumPy 库
import numpy as np
import os

# 说明：创建多个数组
arr1 = np.array([1, 2, 3])
arr2 = np.array([[4, 5], [6, 7]])
arr3 = np.array([8, 9, 10])

# 说明：批量保存多个数组
# savez() 函数将多个数组保存到一个压缩文件
# 使用关键字参数指定每个数组的名称
np.savez("multiple_arrays.npz", array1=arr1, array2=arr2, array3=arr3)
print("多个数组已保存到 multiple_arrays.npz")

# 说明：从压缩文件加载
# load() 函数加载 .npz 文件，返回一个类似字典的对象
loaded = np.load("multiple_arrays.npz")
print("\n加载的数组：")
print("array1：", loaded["array1"])
print("array2：")
print(loaded["array2"])
print("array3：", loaded["array3"])

# 说明：查看文件中包含的所有数组名称
print("\n文件中包含的数组名称：", list(loaded.keys()))

# 说明：清理临时文件（可选）
if os.path.exists("multiple_arrays.npz"):
    os.remove("multiple_arrays.npz")

11. 实战案例：销售数据分析

下面是一个完整的实战案例，展示如何使用 NumPy 分析销售数据。

方法	功能说明	常用参数	返回值
`np.random.normal()`	生成正态分布随机数	`loc`：均值，`scale`：标准差，`size`：大小	正态分布随机数组
`.astype()`	转换数组的数据类型	`dtype`：目标数据类型，如 `int`	转换类型后的数组
`.sum(axis=0)`	沿行方向求和（计算每列总和）	`axis=0`：沿行方向	每列总和的数组
`.sum(axis=1)`	沿列方向求和（计算每行总和）	`axis=1`：沿列方向	每行总和的数组
`.mean(axis=0)`	沿行方向求均值（计算每列均值）	`axis=0`：沿行方向	每列均值的数组
`np.diff()`	计算相邻元素的差值	`a`：数组	差值数组（长度比原数组少1）
`np.argmax()`	找出最大值的索引	`a`：数组，`axis`：统计的轴（可选）	最大值的索引

# -*- coding: utf-8 -*-
# 说明：实战案例 - 销售数据分析
# 演示如何使用 NumPy 分析模拟的销售数据

# 说明：导入 NumPy 库
import numpy as np

# 说明：设置随机种子，确保结果可复现
np.random.seed(0)

# 说明：生成模拟的销售数据
# 生成 12 个月 × 4 个产品的销售数据
# normal() 生成正态分布随机数：均值 1000，标准差 200
# astype(int) 将浮点数转换为整数
sales = np.random.normal(loc=1000, scale=200, size=(12, 4)).astype(int)
products = np.array(["产品A", "产品B", "产品C", "产品D"])

# 说明：打印原始数据
print("月度销量矩阵（12个月 × 4个产品）：")
print(sales)
print(f"形状：{sales.shape}\n")

# 说明：计算每个产品的总销售额
# sum(axis=0) 计算每列的总和（每个产品的全年总销售额）
total_by_product = sales.sum(axis=0)
print("每个产品的全年总销售额：")
for prod, total in zip(products, total_by_product):
    print(f"  {prod}：{total:,}")

# 说明：计算每个产品的平均月销售额
avg_by_product = sales.mean(axis=0)
print("\n每个产品的平均月销售额：")
for prod, avg in zip(products, avg_by_product):
    print(f"  {prod}：{avg:.2f}")

# 说明：计算每个月的总销售额
# sum(axis=1) 计算每行的总和（每个月的总销售额）
monthly_total = sales.sum(axis=1)
print(f"\n每个月的总销售额：{monthly_total}")

# 说明：计算月度增长率
# diff() 函数计算相邻元素的差值
# 计算增长率：差值 / 上月的销售额 * 100
growth = np.diff(monthly_total) / monthly_total[:-1] * 100
print("\n月度增长率（%）：")
for i, g in enumerate(growth, 1):
    print(f"  第{i}月到第{i+1}月：{g:.2f}%")

# 说明：找出销售最好的月份和产品
best_month_idx = np.argmax(monthly_total)
best_month_sales = monthly_total[best_month_idx]
print(f"\n销售最好的月份：第{best_month_idx + 1}月，销售额：{best_month_sales:,}")

# 说明：找出每个产品销量最好的月份
print("\n每个产品销量最好的月份：")
for i, prod in enumerate(products):
    best_month = np.argmax(sales[:, i]) + 1  # +1 因为月份从1开始
    best_sales = sales[best_month - 1, i]
    print(f"  {prod}：第{best_month}月，销量：{best_sales:,}")

12. 性能优化与常见问题

在使用 NumPy 时，了解一些优化技巧和常见问题有助于提高代码效率。

12.1 向量化 vs 循环

NumPy 的向量化计算比 Python 循环快得多。

方法	功能说明	常用参数	返回值
`np.random.rand()`	生成 [0, 1) 区间的均匀分布随机数	`*d0, d1, ...`：各维度大小	均匀分布随机数组
`arr * arr`	向量化乘法（对应元素相乘）	两个数组	相乘后的数组
`np.allclose()`	检查两个数组是否近似相等	`a`：数组1，`b`：数组2	布尔值（True/False）

# -*- coding: utf-8 -*-
# 说明：演示向量化计算与循环的性能对比

# 说明：导入必要的库
import numpy as np
import time

# 说明：创建一个大型数组
arr = np.random.rand(1_000_000)  # 100 万个元素

# 说明：方法1：使用 Python 循环
# 这是慢的方法，逐个元素计算
start = time.time()
loop_result = np.array([x * x for x in arr])
loop_time = time.time() - start

# 说明：方法2：使用 NumPy 向量化
# 这是快的方法，对整个数组进行运算
start = time.time()
np_result = arr * arr
np_time = time.time() - start

# 说明：比较结果
print(f"Python 循环耗时：{loop_time:.4f} 秒")
print(f"NumPy 向量化耗时：{np_time:.4f} 秒")
print(f"速度提升：{loop_time / np_time:.1f} 倍")

# 说明：验证结果是否一致
if np.allclose(loop_result, np_result):
    print("\n✓ 两种方法结果一致，但向量化更快")

12.2 数据类型选择

合理选择数据类型可以节省内存。

本代码块中使用的 NumPy 方法和属性：

方法/属性	功能说明	常用参数	返回值
`np.array(..., dtype=...)`	创建指定数据类型的数组	`object`：数据，`dtype`：数据类型	指定类型的数组
`.dtype`	获取数组的数据类型	无（属性）	数据类型对象
`.nbytes`	获取数组占用的总字节数	无（属性）	总字节数（整数）
`.astype()`	转换数组的数据类型	`dtype`：目标数据类型	转换类型后的数组

# -*- coding: utf-8 -*-
# 说明：演示数据类型对内存的影响

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建相同数据的数组，但使用不同的数据类型
arr_int32 = np.array([1, 2, 3, 4], dtype=np.int32)
arr_int64 = np.array([1, 2, 3, 4], dtype=np.int64)
arr_float64 = np.array([1, 2, 3, 4], dtype=np.float64)

# 说明：查看每个数组的内存占用
print(f"int32 数组大小：{arr_int32.nbytes} 字节")
print(f"int64 数组大小：{arr_int64.nbytes} 字节")
print(f"float64 数组大小：{arr_float64.nbytes} 字节")

# 说明：查看数据类型
print(f"\nint32 数据类型：{arr_int32.dtype}")
print(f"int64 数据类型：{arr_int64.dtype}")
print(f"float64 数据类型：{arr_float64.dtype}")

# 说明：转换数据类型
# astype() 方法可以转换数组的数据类型
arr_float = arr_int32.astype(np.float32)
print(f"\n转换为 float32：{arr_float.dtype}")

12.3 广播机制

广播机制允许不同形状的数组进行运算。

本代码块中使用的 NumPy 方法和操作：

方法/操作	功能说明	常用参数	返回值
`np.arange()`	创建等差数列	`start`：起始值，`stop`：结束值（不包含）	等差数列
`.reshape()`	改变数组形状	`shape`：新形状	重塑后的数组
`arr1 + arr2`	数组加法（支持广播）	两个数组（形状可不同，但需兼容）	相加后的数组
`arr + scalar`	数组与标量相加（广播）	`arr`：数组，`scalar`：标量	每个元素都加上标量的数组

# -*- coding: utf-8 -*-
# 说明：演示 NumPy 的广播机制

# 说明：导入 NumPy 库
import numpy as np

# 说明：创建一个矩阵和一个向量
matrix = np.arange(12).reshape(3, 4)
vector = np.array([10, 20, 30, 40])

print("矩阵：")
print(matrix)
print(f"\n向量：{vector}")
print(f"向量形状：{vector.shape}")

# 说明：广播：向量会自动扩展以匹配矩阵的形状
# 这里向量会扩展为 3x4 矩阵，每一行都是 [10, 20, 30, 40]
result = matrix + vector
print("\n矩阵 + 向量（广播）：")
print(result)

# 说明：标量广播
scalar = 100
result2 = matrix + scalar
print("\n矩阵 + 标量（广播）：")
print(result2)

12.4 常见问题

本代码块中使用的 NumPy 方法和操作：

方法/操作	功能说明	常用参数	返回值
`arr[start:end]`	切片操作（返回视图）	`start`：起始索引，`end`：结束索引	切片数组（视图）
`.copy()`	创建数组的副本	无	数组的独立副本
`arr1 + arr2`	数组加法（广播）	两个数组	相加后的数组
`arr / scalar`	数组除法（自动转换为浮点数）	`arr`：数组，`scalar`：标量	相除后的数组（浮点型）

# -*- coding: utf-8 -*-
# 说明：常见问题和解决方案

# 说明：导入 NumPy 库
import numpy as np

# 说明：问题1：修改数组时的视图 vs 副本
print("问题1：视图 vs 副本")
arr = np.array([1, 2, 3, 4, 5])
view = arr[1:4]  # 这是视图（引用）
view[0] = 999    # 修改视图会影响原数组
print(f"原数组被修改：{arr}")

arr2 = np.array([1, 2, 3, 4, 5])
copy = arr2[1:4].copy()  # 这是副本（独立）
copy[0] = 999
print(f"原数组未改变：{arr2}")

# 说明：问题2：数组形状不匹配
print("\n问题2：形状不匹配时的处理")
a = np.array([[1, 2], [3, 4]])
b = np.array([5, 6])
try:
    # 这可能会出错，因为形状不匹配
    result = a + b
    print("运算成功（广播）：")
    print(result)
except Exception as e:
    print(f"错误：{e}")

# 说明：问题3：整数除法的陷阱
print("\n问题3：整数除法的结果")
arr = np.array([1, 2, 3, 4])
result = arr / 2  # 即使原数组是整数，结果也是浮点数
print(f"整数数组除以2：{result}, 类型：{result.dtype}")

1. 什么是 NumPy？​

2. 环境准备​

2.1 检查 Python 版本​

2.2 安装 NumPy​

2.3 验证安装​

3. 核心概念​

3.1 ndarray（数组对象）​

3.2 维度（Dimensions）​

3.3 形状（Shape）​

3.4 数据类型（dtype）​

4. 创建数组​

4.1 从 Python 列表创建​

4.2 创建特殊数组​

4.3 查看数组属性​

5. 索引与切片​

5.1 基本索引​

5.2 切片操作​

5.3 布尔索引​

5.4 花式索引​

6. 数组操作​

6.1 改变数组形状​

6.2 拼接数组​

6.3 拆分数组​

7. 数学运算​

7.1 基本运算​

7.2 数学函数​

8. 统计函数​

8.1 基本统计​

8.2 按轴统计​

9. 随机数​

9.1 基本随机数生成​

9.2 随机选择与打乱​

10. 文件操作​

10.1 保存和加载​

10.2 批量保存和加载​

11. 实战案例：销售数据分析​

12. 性能优化与常见问题​

12.1 向量化 vs 循环​

12.2 数据类型选择​

12.3 广播机制​

12.4 常见问题​

13. 学习资源​