1.NumPy的介绍

第四章：NumPy 基础

一 NumPy是什么

NumPy = 数字集装箱 + 超级计算器。

NumPy 就像一台超级计算器，但它的计算对象不是简单的数字，而是成百上千个数字组成的「数字表格」。

假设你要统计全班 50 个同学的身高、体重、成绩，手动计算每个人的总分、平均分会很麻烦。
如果把这些数据整理成一个「表格」，交给 NumPy，它就能一键算出全班的平均身高、最高成绩、体重标准差，还能快速排序、筛选数据。

二 为什么有NumPy

速度快：处理 100 万个数字，NumPy 比普通 Python 快 100 倍。

操作方便：加减乘除、统计计算全都有现成「按钮」（函数）。

省内存：用「集装箱」存储，比「箩筐」更节省空间。

没有 NumPy 时，Python 处理大量数字就像用手工整理仓库：比如要计算 1000 个商品的价格总和，Python 需要用一个「大箩筐」（列表）一个个装起来，再慢慢数；NumPy 则像一台自动叉车，直接把所有商品打包成「集装箱」（数组），用机器快速完成搬运和计算。

三 如何使用NumPy

安装

就像给手机装一个计算器 App（在电脑输入 pip install numpy）。

导入

每次用计算器前要打开它（在代码里写 import numpy as np）。

创建数组

把数据装进「集装箱」。

使用功能

按「按钮」计算结果（使用函数）。

四 NumPy和其他的联系

NumPy 是 Python 数据科学领域的地基，其他工具（如 Pandas、Matplotlib）都建立在它之上。

1.NumPy 和 Pandas 的关系

1.NumPy

只能存储统一类型的数据（比如全是数字、或全是文字）。

能快速做批量计算（比如对100万个数统一+1），但无法处理复杂结构。

NumPy 是「集装箱」。

标准化：所有货物必须统一类型（比如只能装苹果或只能装衣服）。

快速装卸：用机械批量搬运，但无法直接分类、统计货物详情。能快速做批量计算（比如对100万个数统一+1），但无法处理复杂结构。

2.Pandas

它的核心数据结构是DataFrame（类似 Excel 表格），允许不同列有不同的数据类型（比如一列是文字，一列是数字，一列是日期）。

支持按标签筛选、分组统计、合并数据等复杂操作。

但底层计算（比如求和、平均值）依然依赖 NumPy 的集装箱。

Pandas 是「智能仓库管理系统」。

仓库管理系统的特点：

混合存储：可以同时存放苹果、衣服、电子产品。

智能标签：给货物贴分类标签（比如产地、日期、价格）。

高级功能：自动统计库存、筛选过期商品、生成报表。

pandas 可以让 Excel 中的难问题得到更方便、高效且稳健的解决。从外部数据源获取大型数据

集、处理统计数据、 时序和交互式图表等工作都属于 Excel 的痛点所在。pandas 最主要的超能力

就是向量化和 数据对齐。 NumPy 数组和向量化可以让你写出更简洁的数组运算代 码，而数据对齐

可以确保在你同时处理多个数据源时不会发生数据不匹配的问题。

3.两者关系

NumPy 负责：

快速搬运成箱的货物（比如计算100箱苹果的总重量）。

批量修改价格（比如所有苹果价格打8折）。

Pandas 负责：

记录每件商品的详细信息（名称、价格、保质期）。

回答复杂问题（比如“哪些酸奶下周过期？”、“进口食品的平均利润是多少？”）。

生成可视化报表（库存趋势图、热销商品排名）。

2.NumPy 和 Matplotlib 的关系

NumPy 提供数据，Matplotlib 是「画图工具」：

比如用 NumPy 生成 1000 个随机数，再用 Matplotlib 画成折线图。

3.NumPy 和机器学习的关系

训练 AI 模型就像教机器人做数学题，NumPy 负责快速处理成千上万的练习题（数据）。

五 NumPy 的局限性

所以有了pandas。