欢迎来到我的博客，很高兴能够在这里和您见面！欢迎订阅相关专栏：
工💗重💗hao💗：野老杂谈
⭐️ 全网最全IT互联网公司面试宝典：收集整理全网各大IT互联网公司技术、项目、HR面试真题.
⭐️ AIGC时代的创新与未来：详细讲解AIGC的概念、核心技术、应用领域等内容。
⭐️ 全流程数据技术实战指南：全面讲解从数据采集到数据可视化的整个过程，掌握构建现代化数据平台和数据仓库的核心技术和方法。
⭐️ 构建全面的数据指标体系：通过深入的理论解析、详细的实操步骤和丰富的案例分析，为读者提供系统化的指导，帮助他们构建和应用数据指标体系，提升数据驱动的决策水平。
⭐️《遇见Python：初识、了解与热恋》 ：涵盖了Python学习的基础知识、进阶技巧和实际应用案例，帮助读者从零开始逐步掌握Python的各个方面，并最终能够进行项目开发和解决实际问题。

摘要

NumPy 是 Python 中最流行的数值计算库，它提供了高效的数组和矩阵操作工具。本篇文章将带你了解 NumPy 的基础，包括如何创建数组、进行基本运算，以及一些常见的数组操作。通过轻松幽默的语言和生动的例子，让你掌握这门强大的工具。

目录

1. NumPy 的前世今生
2. 创建 NumPy 数组
3. NumPy 数组的基本操作
4. 数组的切片与索引
5. 数学运算与广播机制
6. NumPy 的常见函数
7. NumPy 与其他库的配合使用
8. 总结

1. NumPy 的前世今生

在 Python 世界的茫茫大海中，NumPy 是一个闪耀的灯塔。早期的 Python 数学运算依赖于基础的数据结构，如列表和元组，但这些数据结构的性能在处理大规模数据时显得力不从心。于是，一个名为 Travis Oliphant 的科学家在2005年开发了 NumPy，成为了科学计算领域的革命性工具。

NumPy 的核心是它的多维数组对象（ndarray），这是一个高效的多维数组，提供了丰富的数学运算和操作。简而言之，NumPy 的出现让 Python 变得更加强大，尤其是在数据处理和科学计算领域。

2. 创建 NumPy 数组

要使用 NumPy，首先需要导入它：

import numpy as np

创建数组是学习 NumPy 的第一步。以下是几种常见的数组创建方式：

• 从列表创建：

my_list = [1, 2, 3, 4]
my_array = np.array(my_list)
print(my_array)

• 创建全零数组：

zeros_array = np.zeros((2, 3))
print(zeros_array)

• 创建全一数组：

ones_array = np.ones((3, 3))
print(ones_array)

• 创建范围数组：

range_array = np.arange(0, 10, 2)
print(range_array)

这些简单的操作展示了 NumPy 的强大之处，它不仅可以轻松创建数组，还提供了丰富的函数来生成各种特殊数组。

3. NumPy 数组的基本操作

有了数组之后，接下来就是对这些数组进行各种操作。数组操作是 NumPy 的核心功能之一，下面是几个常见的操作例子：

• 数组加减法：

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b)
print(a - b)

• 数组乘除法：

print(a * b)
print(a / b)

• 数组的维度操作：

matrix = np.array([[1, 2, 3], [4, 5, 6]])
print(matrix.shape)
print(matrix.T)

4. 数组的切片与索引

NumPy 的切片与索引操作让我们可以像切蛋糕一样轻松地从数组中获取数据：

• 基本切片：

array = np.array([1, 2, 3, 4, 5])
print(array[1:4])

• 多维数组的切片：

matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(matrix[:2, 1:3])

通过切片和索引，可以方便地访问和修改数组中的数据。

5. 数学运算与广播机制

NumPy 提供了一整套丰富的数学运算功能，而它的广播机制则是 NumPy 的一个神奇之处，允许不同形状的数组进行数学运算：

• 数学运算：

array = np.array([1, 2, 3])
print(np.sqrt(array))
print(np.exp(array))

• 广播机制：

a = np.array([1, 2, 3])
b = np.array([[0], [10], [20]])
print(a + b)

这种广播机制使得我们可以在不显式地复制数据的情况下，对数组进行高效的运算。

6. NumPy 的常见函数

NumPy 内置了许多常见的函数，这些函数大大简化了我们的工作：

• 求和与平均：

array = np.array([1, 2, 3, 4])
print(np.sum(array))
print(np.mean(array))

• 排序与查找：

array = np.array([4, 2, 1, 3])
print(np.sort(array))
print(np.argsort(array))

• 矩阵运算：

matrix = np.array([[1, 2], [3, 4]])
print(np.linalg.inv(matrix))

这些函数是我们在数据分析和科学计算中常用的工具。

7. NumPy 与其他库的配合使用

NumPy 作为 Python 科学计算的基础，与其他库（如 Pandas、Matplotlib）有着天然的配合关系：

• 与 Pandas 配合：

import pandas as pd
data = {'A': [1, 2, 3], 'B': [4, 5, 6]}
df = pd.DataFrame(data)
print(df.to_numpy())

• 与 Matplotlib 配合：

import matplotlib.pyplot as plt
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.show()

NumPy 为这些库提供了强大的数值计算支持，使得数据分析和可视化变得更加容易。

8. 总结

NumPy 是 Python 科学计算的基石，其丰富的功能和强大的性能让它在数据处理、科学计算、机器学习等领域成为了不可或缺的工具。通过这篇文章的介绍，你应该已经掌握了 NumPy 的基础知识，并能够开始在自己的项目中使用它了。

标签

• NumPy
• 数值计算
• Python
• 数据分析
• 科学计算