垦荒学园
  • 中文

      • NumPy 简介

      什么是 NumPy？

      NumPy（Numerical Python）是 Python 科学计算的基础库，它提供了高性能的多维数组对象和处理这些数组的工具。NumPy 是几乎所有 Python 科学计算库的基础，包括 pandas、scikit-learn、matplotlib 等。

      为什么选择 NumPy？

      1. 高性能

      • NumPy 的核心是用 C 语言编写的，比纯 Python 代码快 10-100 倍
      • 支持向量化操作，避免了 Python 循环的开销
      • 内存使用效率高，数据存储紧凑

      2. 功能强大

      • 提供了大量的数学函数
      • 支持广播（broadcasting）机制
      • 丰富的数组操作功能
      • 线性代数、傅里叶变换、随机数生成等高级功能

      3. 生态系统

      • Python 科学计算生态系统的基石
      • 与其他库无缝集成
      • 庞大的社区支持

      NumPy 的核心概念

      ndarray（N维数组）

      NumPy 的核心是 ndarray 对象，它是一个快速且灵活的大数据集容器。

      import numpy as np

# 创建一维数组
arr1d = np.array([1, 2, 3, 4, 5])
print(arr1d)  # [1 2 3 4 5]

# 创建二维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2d)
# [[1 2 3]
#  [4 5 6]]

      数据类型

      NumPy 支持多种数据类型，比 Python 内置类型更加丰富和精确。

      # 整数类型
int_array = np.array([1, 2, 3], dtype=np.int32)

# 浮点类型
float_array = np.array([1.0, 2.0, 3.0], dtype=np.float64)

# 布尔类型
bool_array = np.array([True, False, True], dtype=np.bool_)

      向量化操作

      NumPy 支持对整个数组进行操作，无需编写循环。

      # 传统 Python 方式（慢）
result = []
for i in range(len(list1)):
    result.append(list1[i] + list2[i])

# NumPy 方式（快）
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
result = arr1 + arr2  # [5 7 9]

      NumPy vs Python 列表

      特性Python 列表NumPy 数组
      数据类型混合类型同质类型
      内存使用较高较低
      性能较慢较快
      功能基础操作丰富的数学函数
      维度一维多维

      性能对比示例

      import numpy as np
import time

# 创建大型数据集
size = 1000000
python_list1 = list(range(size))
python_list2 = list(range(size))
numpy_array1 = np.arange(size)
numpy_array2 = np.arange(size)

# Python 列表相加
start_time = time.time()
result_list = [a + b for a, b in zip(python_list1, python_list2)]
list_time = time.time() - start_time

# NumPy 数组相加
start_time = time.time()
result_array = numpy_array1 + numpy_array2
numpy_time = time.time() - start_time

print(f"Python 列表时间: {list_time:.4f} 秒")
print(f"NumPy 数组时间: {numpy_time:.4f} 秒")
print(f"NumPy 比 Python 快 {list_time/numpy_time:.1f} 倍")

      NumPy 的应用领域

      1. 数据科学

      • 数据清洗和预处理
      • 统计分析
      • 数据可视化的基础

      2. 机器学习

      • 特征工程
      • 模型训练的数据准备
      • 算法实现的基础

      3. 科学计算

      • 数值模拟
      • 信号处理
      • 图像处理

      4. 金融分析

      • 风险建模
      • 投资组合优化
      • 时间序列分析

      学习 NumPy 的重要性

      1. 基础技能：NumPy 是 Python 数据科学的基础，掌握它是必要的
      2. 性能提升：学会使用 NumPy 可以显著提高代码性能
      3. 生态系统：理解 NumPy 有助于更好地使用其他科学计算库
      4. 职业发展：NumPy 技能在数据科学、机器学习等领域非常重要

      本章小结

      • NumPy 是 Python 科学计算的基础库
      • 提供高性能的多维数组对象 ndarray
      • 支持向量化操作，性能远超 Python 列表
      • 是 Python 科学计算生态系统的核心
      • 广泛应用于数据科学、机器学习、科学计算等领域

      下一步

      在下一章中，我们将学习如何安装和配置 NumPy 开发环境，为后续的学习做好准备。

      练习题

      1. 解释 NumPy 相比 Python 列表的主要优势
      2. 什么是向量化操作？为什么它很重要？
      3. 列举三个使用 NumPy 的应用场景
      4. 尝试创建一个简单的 NumPy 数组并打印其内容