数据科学与计算-numpy的使用

一、NumPy 简介

NumPy 是 Python 科学计算的核心库，专为处理数组和矩阵设计。它的出现让 Python 在数值计算领域具备了与 MATLAB、R 等工具抗衡的能力，主要优势包括：

--提供高效的 N 维数组对象（ndarray）

--支持直接对数组和矩阵进行操作，大幅减少循环代码

--内置丰富的数学函数，简化科学计算流程

--作为数据分析、机器学习等领域的基础库，与 Pandas、Scikit-learn 等工具无缝衔接

二、核心对象：Ndarray 数组

Ndarray： N维数组。 它是一系列同类型数据的集合，以0下标为开始进行集合中元素的索引。用于存放同类型元素的多维数组

三、创建 Ndarray 数组的常用方法

1.array ()函数

2.empty()函数

3.zeros()函数

4.ones()函数

5.full()函数

6.eye()函数

7.arange()函数

8.frombuffer()函数

9.linspace()函数

10.logspace()函数

11.random.rand()函数

12.random.random()函数

13.random.randint()函数

14.random.randn()函数

15.random.normal()函数

四、Ndarray数组属性

1.ndim

2. shape

3.size  dtype

五、切片和索引

ndarray对象的内容可以通过索引或切片来访问和修改，与Python中list的切片操作一样。 ndarray数组可以基于0- n的下标进行索引，切片对象可以通过内置的slice函数，并设置start, stop及step参数进行，从原数组中切割出一个新数组

切片

切片还可以包括省略号“...”,来使选择元组的长度与数组的维度相同

索引

六、NumPy 与 Python 列表的对比

NumPy 数组相比 Python 列表有明显优势：

--性能更好：底层用 C 实现，数值计算速度快 10~100 倍

--内存更优：数组存储更紧凑，节省内存

--操作更简：支持向量化操作，无需循环即可对整个数组运算

总结

本文介绍了 NumPy 的核心概念和基本操作，包括：

--Ndarray 数组的创建方法（array、zeros、arange等）

--数组属性与维度操作

--索引和切片的使用技巧

--实战练习巩固知识点

OS：有些代码没有设定范围，输出内容每个人都不一样

NumPy 是数据科学的基石，掌握这些基础后，可以进一步学习数组运算、广播机制、线性代数等高级功能。建议结合实际问题多做练习，逐步熟悉 NumPy 的使用技巧。