嘿，小伙伴们！我是捉迷，今天咱们来聊聊NumPy这个超级强大的Python库。NumPy，全名Numerical Python，简直就是科学计算领域的瑞士军刀，啥都能干！它提供了高性能的多维数组对象及相关工具，让咱们处理数据、做数学运算变得超级简单。话不多说，咱们这就开整！
初识NumPy数组NumPy的核心就是它的数组对象——ndarray。这个数组对象比Python内置的列表强大多了，不仅支持多维，而且性能爆表。
import numpy as np# 创建一个一维数组arr = np.array([1, 2, 3, 4, 5])print(arr)# 输出: [1 2 3 4 5]# 创建一个二维数组arr_2d = np.array([[1, 2, 3], [4, 5, 6]])print(arr_2d)# 输出:# [[1 2 3]# [4 5 6]]
温馨提示：NumPy数组的元素类型得一致哦，不像列表那么随意。
数组的基本操作NumPy数组提供了很多方便的操作方法，比如索引、切片、形状变换等。
# 索引print(arr[0]) # 输出: 1print(arr_2d[1, 2]) # 输出: 6# 切片print(arr[1:4]) # 输出: [2 3 4]print(arr_2d[:, 1]) # 输出: [2 5]# 形状变换arr_reshaped = arr.reshape((1, 5))print(arr_reshaped)# 输出: [[1 2 3 4 5]]
温馨提示：切片操作不会改变原数组，而是返回一个新的数组视图。
数组的数学运算NumPy数组最牛的地方之一就是它支持向量化运算，这意味着咱们可以对整个数组进行数学运算，而不用写循环。
# 向量化加法arr1 = np.array([1, 2, 3])arr2 = np.array([4, 5, 6])print(arr1 + arr2) # 输出: [5 7 9]# 广播机制arr_scalar = arr1 + 10print(arr_scalar) # 输出: [11 12 13]# 矩阵乘法arr_3d = np.dot(arr_2d, np.array([[7], [8], [9]]))print(arr_3d)# 输出:# [[ 30]# [ 74]]
温馨提示：NumPy的广播机制是个好东西，它允许不同形状的数组进行运算，但得满足一定规则哦。
统计与聚合NumPy还提供了很多统计函数，比如求和、均值、标准差等，让咱们处理数据时更加得心应手。
# 求和print(np.sum(arr)) # 输出: 15# 均值print(np.mean(arr)) # 输出: 3.0# 标准差print(np.std(arr)) # 输出: 1.5811388300841898# 中位数print(np.median(arr)) # 输出: 3.0
温馨提示：这些统计函数不仅适用于一维数组，多维数组也同样适用哦。
生成随机数组有时候咱们需要生成一些随机数组来进行测试或模拟，NumPy的random模块就能帮咱们实现。
# 生成一个0到1之间的随机浮点数数组random_arr = np.random.rand(3, 3)print(random_arr)# 生成一个指定范围内的随机整数数组randint_arr = np.random.randint(1, 10, size=(2, 2))print(randint_arr)# 生成一个正态分布的随机数组normal_arr = np.random.randn(2, 2)print(normal_arr)
温馨提示：生成随机数组时，记得指定好形状和范围哦，不然可能会得到意想不到的结果。
线性代数与矩阵操作NumPy还提供了线性代数相关的函数和矩阵操作，比如求解线性方程组、矩阵逆等。
# 求解线性方程组A = np.array([[3, 1], [1, 2]])b = np.array([9, 8])x = np.linalg.solve(A, b)print(x) # 输出: [2. 3.]# 计算矩阵的逆A_inv = np.linalg.inv(A)print(A_inv)# 输出:# [[ 0.66666667 -0.33333333]# [-0.33333333 0.66666667]]
温馨提示：求解线性方程组时，得确保矩阵A是可逆的，不然会报错哦。
总结好啦，今天咱们就聊到这里啦！NumPy这个库真的是太强大了，它提供了高性能的多维数组对象，支持向量化运算，还有丰富的统计函数和随机数组生成方法。学会了NumPy，咱们处理数据、做科学计算就变得更加得心应手啦！记得多动手实践哦，这样才能真正掌握NumPy的精髓！
