numpy是python中科学计算的基础工具，提供高效的数组操作和数学运算功能。其核心为ndarray对象，可通过列表或元组创建数组，并支持多种内置函数生成数组，如zeros、ones、arange、linspace；数组运算默认逐元素执行，支持统计计算、矩阵乘法，且性能优于原生列表；索引与切片灵活，支持布尔索引筛选数据；数组元素需为相同类型，选择合适的数据类型可节省内存，同时需注意浮点数精度问题。掌握这些内容即可开始实际的数据处理任务。
科学计算在Python中非常常见，尤其是通过NumPy库来完成。它提供了高效的数组操作和数学运算功能，是进行数据处理、机器学习、图像分析等任务的基础工具。
创建数组：NumPy的基本操作
NumPy的核心是ndarray对象，也就是多维数组。你可以用列表或者元组创建一个数组：
import numpy as np a = np.array([1, 2, 3]) # 一维数组 b = np.array([[1, 2], [3, 4]]) # 二维数组
除了手动输入数据，还可以使用一些内置函数快速生成数组：
立即学习“Python免费学习笔记（深入）”；
-
np.zeros((2, 3))：创建全0的二维数组 -
np.ones((3, 2))：创建全1的数组 -
np.arange(0, 10, 2)：类似range，但返回的是数组 -
np.linspace(0, 1, 5)：在0到1之间均匀取5个数
这些方法在初始化数据或构建模型参数时非常实用。
数组运算：比原生列表更高效
NumPy数组之间的运算默认是逐元素进行的，不需要写循环。比如：
a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = a + b # [5, 7, 9] d = a * 2 # [2, 4, 6]
这比起Python原生的列表推导式来说不仅代码简洁，而且性能更好，因为底层是C语言实现的。
注意几个细节：
- 运算时数组形状要一致，否则会报错（除非用了广播机制）
- 可以对整个数组做统计计算，如
np.mean(a)、np.std(b)、np.sum(c) - 支持矩阵乘法：
np.dot(A, B)或者A @ B
索引与切片：灵活访问数据
NumPy的索引方式和Python列表类似，但更强大。例如：
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 取第一行 row = a[0] # 取第二列 col = a[:, 1] # 取前两行前两列 sub = a[:2, :2]
布尔索引也很常用，可以用来筛选符合条件的数据：
data = np.array([10, 20, 30, 40]) filtered = data[data > 25] # 输出 [30, 40]
这个特性在清洗数据或做条件判断时特别有用。
数据类型与内存管理：别忽视精度问题
NumPy数组中的所有元素必须是相同类型的，默认是int64或float64。可以通过dtype指定其他类型：
arr = np.array([1, 2, 3], dtype=np.float32)
不同数据类型占用的内存不同，比如float64占8字节，而float32只占4字节。对于大数据量的数组，选择合适的数据类型能显著节省内存。
另外，要注意浮点数精度问题：
np.sum([0.1] * 10) # 结果可能不是精确的1.0
这种情况在科学计算中很常见，处理时要考虑误差容忍范围。
基本上就这些。掌握这些基础内容后，你就可以开始用NumPy做一些实际的数据处理了。不复杂，但容易忽略细节。
