NumPy数值计算的项目实现

在Python的数据科学和机器学习领域，无论你使用哪个高级框架，几乎都绕不开一个底层基石——NumPy。它专为高效处理数组（或称矩阵）运算而生，其性能相比原生Python列表，往往能提升数十倍甚至上百倍。可以说，掌握了NumPy，就等于拿到了高效进行科学计算、数据分析和模型构建的钥匙。

一、核心概念：Numpy数组（ndarray）

NumPy的灵魂在于其核心对象：ndarray，即N维数组。它与我们熟悉的Python列表有几点本质区别，也正是这些区别造就了其卓越的性能：首先，数组内的所有元素必须是相同的数据类型；其次，它天然支持多维结构；最关键的是，其底层由C语言实现，运算速度极快。

二、基础操作

理解了核心概念，接下来看看如何上手操作。这部分内容从创建数组开始，逐步深入到其强大的运算能力。

1.创建数组

创建数组的方式非常灵活。最直接的是从Python列表转换，但NumPy自身也提供了一系列便捷函数，能快速生成特定形态的数组。

import numpy as np # 导入 NumPy，并约定俗成地使用 np 作为别名

# 从列表创建
arr_from_list = np.array([1, 2, 3, 4, 5])

# 创建全为0的数组
zeros_arr = np.zeros((2, 3)) # 创建一个2行3列的数组

# 创建全为1的数组
ones_arr = np.ones((3, 2))

# 创建指定范围的数组
range_arr = np.arange(0, 10, 2) # 从0到10（不含），步长为2 -> [0, 2, 4, 6, 8]

# 创建随机数数组
random_arr = np.random.rand(2, 2) # 生成[0, 1)之间的均匀分布随机数

2.数组属性

操作数组前，先摸清它的“家底”很重要。通过几个关键属性，可以快速了解数组的形态和构成。

arr = np.array([[1, 2, 3], [4, 5, 6]])

print(arr.shape)  # 形状: (2, 3)，表示2行3列
print(arr.ndim)   # 维度: 2
print(arr.size)   # 元素总数: 6
print(arr.dtype)  # 数据类型: int64 (或 int32)

3.数组运算

NumPy的魅力在于其简洁而强大的运算能力。它支持对整个数组进行批量操作，无需编写繁琐的循环。

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

# 元素级别的运算
print(a + b)      # [5 7 9]
print(a * b)      # [ 4 10 18]
print(a ** 2)     # [1 4 9]

# 使用数学函数
print(np.sin(a))  # [ 0.84147098  0.90929743  0.14112001]

4.索引与切片

数据选取是数据分析中的高频操作。NumPy的索引和切片语法与Python列表一脉相承，但功能更加强大，尤其是支持多维索引和布尔索引。

arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

print(arr_2d[0, 1])      # 获取第0行第1列的元素 -> 2
print(arr_2d[:, 1])      # 获取第1列的所有元素 -> [2 5 8]
print(arr_2d[arr_2d > 5]) # 布尔索引，获取所有大于5的元素 -> [6 7 8 9]

5.广播机制

广播机制是NumPy最精妙的设计之一。它允许形状不同的数组进行算术运算，NumPy会自动将较小的数组在逻辑上进行“拉伸”以匹配大数组的形状，从而避免了低效的显式复制。

a = np.array([1, 2, 3])
b = np.array([10])

# 标量 b 会被“广播”到与数组 a 相同的形状，然后进行运算
print(a + b) # [11 12 13]

6.Numpy 其它常用的函数

除了基础运算，NumPy还封装了大量常用的统计和数学函数，让数据分析变得异常便捷。

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

print(np.sum(data))    # 求和: 15
print(np.mean(data))   # 求平均值: 3.0
print(np.max(data))    # 求最大值: 5
print(np.std(data))    # 求标准差: 1.414...