当前位置：首页 > news >正文

NumPy，科学计算领域中的Python明星库！

news 2025/7/1 3:38:29

NumPy，科学计算领域中的Python明星库！

嘿，大家好呀，今天我们要来聊聊在科学计算领域里大放异彩的 NumPy 库。NumPy 是 Python 中的一个开源库，它提供了大量的数学函数，能够高效地处理大型数组与矩阵运算。对于数据科学家、工程师和研究人员来说，NumPy 是进行数据分析和机器学习的基础工具之一。接下来，我们就一起来看看 NumPy 有哪些神奇的功能吧！

这里插播一条粉丝福利，如果你正在学习Python或者有计划学习Python，想要突破自我，对未来十分迷茫的，可以点击这里获取最新的Python学习资料和学习路线规划（免费分享，记得关注）

1. NumPy 简介

为什么选择 NumPy？

NumPy 的全称是 Numerical Python，它不仅能够处理一维数组，还能轻松应对多维数组的运算。相比 Python 内置的数据结构，NumPy 数组的运算速度更快，内存使用效率更高。想象一下，如果把 Python 内置的列表比作是一辆自行车，那么 NumPy 就像是一辆摩托车，它能带你飞快地穿梭在数据的海洋里。

安装 NumPy

如果你还没安装 NumPy，别担心，只需在命令行输入以下命令就能轻松搞定：

```bashpip install numpy

2. 创建 NumPy 数组

基本数组创建

让我们从创建一个简单的 NumPy 数组开始吧。这里我们将创建一个一维数组和一个二维数组。

Python
import numpy as np
# 一维数组a = np.array([1, 2, 3])print(a)
# 二维数组b = np.array([[1, 2, 3], [4, 5, 6]])print(b)

小贴士：在 NumPy 中，数组的维度被称为轴（axis），一维数组有一个轴，二维数组有两个轴，以此类推。

特殊数组

除了手动输入数据创建数组外，NumPy 还提供了很多方法来快速生成特定模式的数组。

Python
# 创建全0数组zeros = np.zeros((3, 4))print(zeros)
# 创建全1数组ones = np.ones((2, 3, 4), dtype=np.int16)  # 指定数据类型print(ones)
# 创建空数组empty = np.empty((2, 3))print(empty)

注意事项： np.empty 不会初始化数组中的值，所以数组中的元素将是随机的，这在某些情况下可能会导致意外的结果。

3. 数组的基本操作

数组索引和切片

NumPy 数组支持类似于 Python 列表的索引和切片操作，但是功能更为强大。

Python
# 索引print(a[0])  # 输出 1
# 切片print(a[1:3])  # 输出 [2 3]print(b[0, 1:])  # 输出 [2 3]

数组形状操作

改变数组的形状是数据预处理中常见的需求。

Python
# 改变形状c = np.arange(12).reshape(3, 4)  # 从 0 到 11 的一维数组重塑成 3x4 的二维数组print(c)
# 展平数组d = c.ravel()  # 将多维数组展平为一维数组print(d)

4. 数组的数学运算

基础数学运算

NumPy 提供了丰富的数学函数来对数组进行操作，如加减乘除、平方根、指数等。

Python
# 加法e = np.array([1, 2, 3])f = np.array([4, 5, 6])g = e + f  # [5 7 9]print(g)
# 平方根h = np.sqrt(e)  # [1.         1.41421356 1.73205081]print(h)

矩阵运算

NumPy 还支持矩阵运算，这对于机器学习和数据分析非常有用。

Python
i = np.dot(e, f)  # 点积print(i)
j = np.linalg.inv(np.eye(2))  # 矩阵求逆print(j)

5. 高级特性

广播机制

广播是 NumPy 中一个非常强大的功能，它允许不同形状的数组进行算术运算。

Python
k = np.array([1, 2, 3])l = np.array([2])m = k + l  # [3 4 5]print(m)

排序

对数组中的元素进行排序也很简单。

Python
n = np.array([3, 1, 2])o = np.sort(n)  # [1 2 3]print(o)

6. 实际应用案例

数据分析

假设你是一名市场分析师，想要分析过去一年内某产品的销售情况。你可以使用 NumPy 来加载销售数据，计算总销售额、平均销售额等指标。

Python
sales = np.array([1200, 1500, 1300, 1100, 1400, 1600, 1800, 2000, 1900, 1700, 1500, 1300])total_sales = sales.sum()  # 计算总销售额average_sales = sales.mean()  # 计算平均销售额print(f"Total Sales: {total_sales}")print(f"Average Sales: {average_sales}")

7. 总结

小伙伴们，今天的Python学习之旅就到这里啦! 通过这次的学习，我们了解了 NumPy 的基本概念，学会了如何创建和操作 NumPy 数组，掌握了基础和高级的数学运算，还看到了 NumPy 在数据分析中的实际应用。NumPy 是一个非常强大的工具，希望你能多多练习，熟练掌握它的使用。记得动手敲代码，有问题随时在评论区问圆圆哦。祝大家学习愉快，Python学习节节高!

最后，我精心筹备了一份全面的Python学习大礼包，完全免费分享给每一位渴望成长、希望突破自我现状却略感迷茫的朋友。无论您是编程新手还是希望深化技能的开发者，都欢迎加入我们的学习之旅，共同交流进步！

🌟 学习大礼包包含内容：

Python全领域学习路线图：一目了然，指引您从基础到进阶，再到专业领域的每一步学习路径，明确各方向的核心知识点。

超百节Python精品视频课程：涵盖Python编程的必备基础知识、高效爬虫技术、以及深入的数据分析技能，让您技能全面升级。

实战案例集锦：精选超过100个实战项目案例，从理论到实践，让您在解决实际问题的过程中，深化理解，提升编程能力。

华为独家Python漫画教程：创新学习方式，以轻松幽默的漫画形式，让您随时随地，利用碎片时间也能高效学习Python。

互联网企业Python面试真题集：精选历年知名互联网企业面试真题，助您提前备战，面试准备更充分，职场晋升更顺利。

👉 立即领取方式：只需【点击这里】，即刻解锁您的Python学习新篇章！让我们携手并进，在编程的海洋里探索无限可能