Python编程实战——Python实用工具与库：Numpy基础

一、为什么要学习 Numpy

Python的列表虽然灵活，但在大规模数值计算中效率并不理想。 Numpy通过底层C语言实现的高效算法，让我们能够：

• 快速执行矩阵运算和统计分析；
• 实现科学计算和机器学习的数学基础；
• 轻松进行向量化操作，避免低效的循环。

一句话总结：Numpy让Python像Matlab一样强大，但更自由。

二、安装Numpy

在命令行中使用pip即可安装：

pip install numpy

安装完成后，使用以下命令验证：

import numpy as np
print(np.__version__)

三、Numpy的核心：ndarray

Numpy的核心数据结构是ndarray，即N维数组对象。 相比Python列表，它有以下优势：

• 占用内存更少；
• 支持矢量化计算；
• 支持广播机制。

示例：

import numpy as np

arr = np.array([1, 2, 3, 4])
print(arr)            # 输出：[1 2 3 4]
print(arr.dtype)      # 数据类型
print(arr.ndim)       # 数组维度
print(arr.shape)      # 形状

四、创建Numpy数组的常见方法

Numpy提供了多种快速创建数组的方式：

# 从列表创建
a = np.array([1, 2, 3])

# 创建全零数组
zeros = np.zeros((2,3))

# 创建全一数组
ones = np.ones((3,3))

# 创建等差数列
arange = np.arange(0, 10, 2)

# 创建随机数组
rand = np.random.rand(2,2)

这些函数能帮助我们快速生成所需数据结构，为后续计算打下基础。

五、Numpy数组的常用操作

1. 数组索引与切片

arr = np.array([10, 20, 30, 40, 50])
print(arr[1:4])  # [20 30 40]

2. 数组运算（向量化操作）

a = np.array([1,2,3])
b = np.array([4,5,6])
print(a + b)   # [5 7 9]
print(a * b)   # [4 10 18]

3. 数学函数

x = np.array([1, 2, 3])
print(np.sqrt(x))
print(np.exp(x))
print(np.mean(x))

4. 矩阵操作

A = np.array([[1,2],[3,4]])
B = np.array([[5,6],[7,8]])
print(np.dot(A,B))  # 矩阵乘法

六、Numpy的广播机制

广播机制让不同形状的数组之间也能运算。例如：

a = np.array([[1,2,3],
              [4,5,6]])
b = np.array([10,20,30])
print(a + b)

结果：

[[11 22 33]
 [14 25 36]]

Numpy会自动扩展b的形状与a匹配，实现高效运算。

七、实战：计算学生成绩平均分

import numpy as np

scores = np.array([
    [85, 90, 88],
    [78, 80, 82],
    [90, 95, 92]
])

avg_per_student = np.mean(scores, axis=1)
avg_per_subject = np.mean(scores, axis=0)

print("每个学生平均分：", avg_per_student)
print("每门课平均分：", avg_per_subject)

输出：

每个学生平均分： [87.66666667 80.         92.33333333]
每门课平均分： [84.33333333 88.33333333 87.33333333]

八、小结

Numpy是Python科学计算的基石，理解并熟练使用它，能让你的程序执行效率成倍提升。 本篇你已经掌握了：

• Numpy的核心数据结构 ndarray
• 数组创建与运算方法
• 广播机制与矩阵操作
• 实战案例：成绩平均分计算

接下来，你可以进一步学习Numpy的高级索引、线性代数函数、统计分析等内容，为Pandas与机器学习打下坚实基础。