Python NumPy入门教程与实例解析
NumPy是Python科学计算的核心库，支持高效多维数组操作。通过np.array、zeros、ones、arange、linspace、random等函数创建数组；支持向量化运算如加减乘除、幂运算和矩阵乘法（@或np.dot）；提供索引切片及布尔索引功能；常用统计函数包括sum、mean、std、max、min及argmax、argmin；可使用reshape和transpose调整数组形状。掌握这些基础操作有助于高效数据处理。
NumPy是Python科学计算的核心库，支持高效多维数组操作。通过np.array、zeros、ones、arange、linspace、random等函数创建数组；支持向量化运算如加减乘除、幂运算和矩阵乘法（@或np.dot）；提供索引切片及布尔索引功能；常用统计函数包括sum、mean、std、max、min及argmax、argmin；可使用reshape和transpose调整数组形状。掌握这些基础操作有助于高效数据处理。
NumPy 是 Python 中用于科学计算的核心库之一，尤其擅长处理多维数组和矩阵运算。它提供了高效的数组操作功能，是数据分析、机器学习等领域不可或缺的工具。下面通过基本操作与实例讲解，带你快速掌握 NumPy 的常用用法。
创建数组
NumPy 的核心是 ndarray 对象，即多维数组。可以通过多种方式创建数组：
- np.array()：将列表或元组转换为数组
- np.zeros()：创建全零数组
- np.ones()：创建全一数组
- np.arange()：生成等差数组
- np.linspace()：生成等间隔数值序列
- np.random.rand()：生成随机数组
示例：
import numpy as np创建一维数组
arr1 = np.array([1, 2, 3]) print(arr1) # [1 2 3]
创建二维数组
arr2 = np.array([[1, 2], [3, 4]]) print(arr2)
全零数组
zeros = np.zeros((2, 3)) print(zeros)
从 0 到 10 的等差数列，共 5 个数
linspace = np.linspace(0, 10, 5) print(linspace) # [ 0. 2.5 5. 7.5 10. ]
数组的基本操作
NumPy 支持丰富的数学运算和数组操作，且无需循环即可对整个数组进行操作（向量化）。
- 加减乘除：直接使用 +, -, *, /
- 幂运算：**
- 矩阵乘法：np.dot() 或 @
- 广播机制：不同形状数组间运算（在兼容条件下）
示例：
a = np.array([1, 2, 3]) b = np.array([4, 5, 6])print(a + b) # [5 7 9] print(a * 2) # [2 4 6] print(a ** 2) # [1 4 9]
二维矩阵乘法
A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) print(A @ B) # 等价于 np.dot(A, B)
索引与切片
NumPy 数组支持类似 Python 列表的索引和切片，但扩展到多维。
- 一维数组：用 [i] 取值，[start:stop:step] 切片
- 多维数组：用逗号分隔各维度，如 [行, 列]
- 布尔索引：用条件筛选元素
示例：
arr = np.array([10, 20, 30, 40, 50])print(arr[0]) # 10 print(arr[1:4]) # [20 30 40]
二维数组
mat = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(mat[1, 2]) # 6 (第2行第3列) print(mat[:, 1]) # 第二列 [2 5 8]
布尔索引
mask = arr > 30 print(arr[mask]) # [40 50]
常用函数与统计操作
NumPy 提供大量内置函数用于数学和统计计算。
- np.sum(), np.mean(), np.std()：求和、均值、标准差
- np.max(), np.min()：最大最小值
- np.argmax(), np.argmin()：返回最值索引
- np.reshape()：改变数组形状
- np.transpose()：转置数组
示例：
data = np.array([1, 2, 3, 4, 5])print(np.sum(data)) # 15 print(np.mean(data)) # 3.0 print(np.std(data)) # 1.414...
改变形状
arr = np.arange(6) reshaped = arr.reshape((2, 3)) print(reshaped)
基本上就这些。掌握这些基础操作后，你就能高效地使用 NumPy 处理数据了。不复杂但容易忽略细节，建议多动手练习。
Python中通过open()函数实现文件读写，需指定文件路径、模式和编码。1.使用open()打开文件，常见模式有'r'（读）、'w'（写）、'a'（追加）。2.读取文件可用read()、readline()或readlines()，推荐with语句自动管理文件关闭。3.写入使用'w'覆盖或'a'追加，通过write()方法写入内容。4.实际应用如文件复制，先读取源文件再写入目标文件。始终建议使用with确保安全高效操作。
答案：Python函数使用def定义，遵循PEP8规范，命名用小写加下划线，参数顺序为必需→默认→args→*kwargs，避免可变默认参数，推荐类型提示与文档字符串。
首先安装TensorFlow并导入keras，然后用Sequential或函数式API构建模型，接着编译、训练并评估模型，最后可保存为HDF5或SavedModel格式供后续加载使用。
答案：编写Python爬虫需先分析网页结构，用requests发送请求获取HTML，再用BeautifulSoup解析提取数据，最后清洗并存储为CSV或数据库；以豆瓣电影Top250为例，通过设置headers、分页爬取、解析class标签获取电影名、评分等信息，保存为CSV文件，并注意遵守robots协议、防止IP被封，使用代理或延时应对反爬，确保编码为utf-8避免乱码。
Python使用datetime模块处理日期时间，通过datetime.now()获取当前时间，today()获取当前日期；利用strftime格式化输出，strptime解析字符串；结合timedelta进行日期加减计算；支持ZoneInfo处理时区。
Pandas是Python中处理结构化数据的核心工具，提供DataFrame和Series等高效数据结构。1.核心功能包括：支持CSV、Excel等格式的读写；处理缺失值、去重、类型转换等数据清洗操作；通过列名或条件表达式进行数据筛选；利用groupby实现分组聚合统计；内置时间序列解析与计算能力。2.常用技巧有：使用set_index提升查询效率；链式操作减少中间变量；query()方法简化复杂条件过滤；结合apply()与向量化操作处理自定义逻辑；采用category类型优化内存。3.实际应用示例如分
Python字符串处理需掌握常用方法与技巧：1.strip、split、join、replace、upper/lower、find/index实现基础操作；2.优先使用f-string格式化，兼顾可读性与性能；3.复杂模式用re模块的search、findall、sub进行匹配替换；4.注意多行字符串写法、join拼接效率及startswith/endswith判断，确保代码清晰高效。
使用unittest编写Python单元测试需创建继承自TestCase的类，测试方法以test_开头，通过断言方法验证逻辑。例如为calculator模块编写TestCalculator类，用assertEqual、assertRaises等方法测试加减乘除函数，确保正常与异常情况均被覆盖。命令行运行pythontest_calculator.py即可执行测试，-v参数显示详细结果。
答案：Python中发送HTTP请求常用urllib和requests库。首先，urllib是标准库，无需安装，适合基础GET和POST请求，但代码较繁琐；例如用urllib.request.urlopen发送GET请求，或构建Request对象发送POST数据。其次，推荐使用requests库，需pipinstallrequests，其语法简洁、功能强大，支持自动处理编码、JSON解析等。可使用requests.get()发送GET请求，带params参数传递查询字符串；用requests.post()
<p>Python中的reduce函数需从functools模块导入，用于对可迭代对象进行累积操作，语法为reduce(function,iterable[,initializer])，其中function定义操作，iterable为数据源，initializer为可选初始值。示例包括：使用lambda求和reduce(lambdax,y:x+y,[1,2,3,4,5])得15；计算乘积reduce(lambdax,y:x*y,[1,2,3,4])得24；设置初始值reduce(lambdax
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
