numpy的详细知识点，简单易懂

numpy的核心概念

NumPy（Numerical Python）是Python中用于科学计算的基础库，提供高效的多维数组对象ndarray及大量数学函数。其核心设计围绕数组操作、广播机制和向量化计算展开。

数组创建与属性

• 基本创建：

  import numpy as np
  arr = np.array([1, 2, 3])  # 一维数组
  arr_2d = np.array([[1, 2], [3, 4]])  # 二维数组
  

• 特殊数组：

  np.zeros((2, 3))  # 全0数组
  np.ones((2, 2))   # 全1数组
  np.arange(0, 10, 2)  # 类似range的序列
  np.linspace(0, 1, 5)  # 等间隔数组
  

• 数组属性：
  shape（维度）、dtype（数据类型）、size（元素总数）、ndim（轴数）。

数组操作

• 索引与切片：

  arr = np.array([[1, 2, 3], [4, 5, 6]])
  arr[1, 2]  # 输出6（第二行第三列）
  arr[:, 1:3]  # 所有行的第2到3列
  

• 变形与合并：

  arr.reshape(3, 2)  # 改变形状
  np.concatenate([arr1, arr2], axis=0)  # 沿行合并
  np.vstack((arr1, arr2))  # 垂直堆叠
  

广播机制

NumPy允许不同形状的数组进行算术运算，通过广播自动扩展较小数组的维度：

a = np.array([1, 2, 3])
b = 2
a * b  # 广播结果：[2, 4, 6]

数学与统计函数

• 通用函数（ufunc）：
  np.sin(), np.exp(), np.sqrt()等逐元素操作。
• 聚合函数：
  np.sum(), np.mean(), np.max()支持沿轴计算：

  arr.sum(axis=0)  # 每列求和
  

线性代数

numpy.linalg模块提供矩阵运算：

np.dot(A, B)  # 矩阵乘法
np.linalg.inv(A)  # 矩阵求逆
np.linalg.eig(A)  # 特征值与特征向量

随机数生成

np.random模块生成伪随机数：

np.random.rand(3, 2)  # 均匀分布
np.random.normal(0, 1, 10)  # 正态分布
np.random.randint(0, 10, 5)  # 随机整数

性能优化

• 向量化：避免循环，使用内置函数。
• 内存布局：arr.flags查看连续性，np.ascontiguousarray()优化。
• 预分配内存：提前创建数组避免频繁扩容。

实际应用示例

• 图像处理：RGB图像表示为三维数组（高度×宽度×通道）。
• 时间序列分析：滑动窗口计算均值或标准差。

通过掌握这些知识点，可以高效处理数值计算任务，并为深度学习框架（如TensorFlow/PyTorch）奠定基础。