概要
NumPy（Numerical Python）是一个开源的Python库，用于进行科学计算和数据分析。它提供了一个多维数组（ndarray）对象，用于存储和处理大规模的数据集，以及各种用于操作这些数组的函数。NumPy是Python生态系统中最重要的科学计算库之一，广泛用于数据科学、机器学习、深度学习等领域。
NumPy的主要特点包括：
多维数组对象（ndarray）：NumPy的核心数据结构是ndarray，它是一个类似于列表的多维数组，可以容纳相同类型的数据元素。这种数据结构允许高效地存储和操作大规模的数据。
广播（Broadcasting）：NumPy允许在不同形状的数组之间执行数学运算，它会自动进行广播操作，使得数组维度不匹配的运算也能顺利进行。
快速的数学函数：NumPy提供了许多高效的数学函数，例如三角函数、指数和对数函数、统计函数、线性代数运算等。
索引和切片：与Python列表类似，NumPy的数组也可以通过索引和切片来访问和修改元素，但它支持多维数组的索引和切片操作。
通用函数（ufunc）：NumPy的通用函数是对数组中的元素进行逐元素操作的函数，能够在整个数组上进行快速的元素级计算。
整合其他语言：NumPy为Python提供了一个接口来与C、C++和Fortran等语言进行交互，这样可以在Python中调用这些语言的库函数，提高性能。
由于NumPy提供了高效的数组操作和数学函数，使得Python在科学计算和数据处理领域变得更加强大和高效。它也为众多其他Python数据科学库如SciPy、Pandas、Matplotlib等提供了基础支持，成为Python数据科学生态系统的重要组成部分。
基本用法
NumPy的基本用法主要涉及创建ndarray数组、对数组进行操作和数学计算。下面简要介绍一些NumPy的基本用法：
导入NumPy库： 在开始使用NumPy之前，需要先导入NumPy库，通常使用import语句将其引入到Python代码中：
import numpy as np
在上述代码中，我们将NumPy库导入，并给它取了一个别名np，这是一种常用的做法。
1、创建ndarray数组： 可以使用np.array()函数来创建ndarray数组。数组可以是一维、二维或多维的。以下是一些创建数组的示例：
# 一维数组
arr1 = np.array([1, 2, 3, 4, 5])
# 二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
# 生成一个由0组成的三维数组（3x3x3）
arr3 = np.zeros((3, 3, 3))
# 生成一个由1组成的二维数组（2x4）
arr4 = np.ones((2, 4))
# 生成一个线性序列的数组（从0到9）
arr5 = np.arange(10)
# 生成一个均匀间隔的数组（从0到1，共5个元素）
arr6 = np.linspace(0, 1, 5)
2、数组运算： NumPy支持对数组进行逐元素的数学运算，包括加减乘除、幂运算、三角函数等。这些运算可以使用通用函数（ufunc）来实现，它们会在整个数组上进行快速的元素级计算：
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# 数组加法
result_add = arr1 + arr2
# 数组乘法
result_mul = arr1 * arr2
# 数组幂运算
result_pow = arr1 ** 2
# 数组三角函数
result_sin = np.sin(arr1)
3、数组索引和切片： 可以像Python列表一样对ndarray进行索引和切片操作：
arr = np.array([10, 20, 30, 40, 50])
# 索引
print(arr[0]) # 输出: 10
# 切片
print(arr[1:4]) # 输出: [20 30]
4、数组形状操作 可以通过reshape()函数改变数组的形状，或使用shape属性查看数组的形状
arr = np.arange(9)
# 改变数组形状为3x3
reshaped_arr = arr.reshape(3, 3)
# 查看数组形状
print(reshaped_arr.shape) # 输出: (3, 3)
这只是NumPy的基础用法，NumPy还提供了许多其他功能和方法，如广播、聚合函数、排序、文件输入/输出等，可以在NumPy官方文档和教程中进一步学习
进阶用法
NumPy的高级用法涉及更复杂和高级的数据处理、数学运算和性能优化等方面。以下是一些高级用法的示例：
1 广播（Broadcasting）： 广播是NumPy中的一项强大功能，它允许在不同形状的数组之间执行数学运算，使得维度不匹配的操作也能自动执行。广播可以大大简化代码，提高代码的可读性和效率。
a = np.array([1, 2, 3])
b = np.array([10, 20, 30])
# 广播机制会自动将b扩展为与a相同的形状，然后执行加法
result = a + b
print(result) # 输出: [11 22 33]
2 聚合函数： NumPy提供了许多聚合函数，用于对数组进行汇总计算，例如求和、平均值、最大值、最小值等。这些函数能够在整个数组上进行操作，返回一个标量值或沿指定轴进行操作。
arr = np.array([[1, 2, 3], [4, 5, 6]])
# 对整个数组求和
sum_all = np.sum(arr)
# 沿行求和
sum_axis0 = np.sum(arr, axis=0)
# 沿列求和
sum_axis1 = np.sum(arr, axis=1)
2布尔索引： 布尔索引是一种通过布尔条件来获取数组中元素的方法。它允许根据条件从数组中选择和过滤元素，非常有用于数据筛选和过滤。
arr = np.array([1, 2, 3, 4, 5])
# 使用布尔条件获取满足条件的元素
filtered_arr = arr[arr > 2]
print(filtered_arr) # 输出: [3 4 5]
高级索引：NumPy支持整数数组和布尔数组作为索引，以实现更复杂的索引操作。
arr = np.array([10, 20, 30, 40, 50])
# 使用整数数组进行索引
index = np.array([1, 3])
selected_elements = arr[index]
print(selected_elements) # 输出: [20 40]
# 使用布尔数组进行索引
bool_index = arr > 30
selected_elements = arr[bool_index]
print(selected_elements) # 输出: [40 50]
数组操作与优化：NumPy提供了许多数组操作函数，如合并数组、拆分数组、转置数组等。此外，对于大规模数据集，可以使用NumPy中的一些技巧来优化代码的性能，如避免循环、使用向量化操作等。
以上只是NumPy的一些高级用法示例。NumPy是一个功能强大的库，深入学习它可以帮助你更好地进行数据处理、科学计算和数学运算。你可以查阅NumPy的官方文档和其他高级教程，进一步了解更多高级用法和技巧
欢迎点赞收藏转发，感谢🙏
