Numpy 学习笔记
Numpy 作为 Python 中用于进行科学计算的核心库，提供了高性能的多维数组对象，以及大量用于数组操作的工具。下面围绕 "常量""数据类型""时间日期和时间增量" 三个方面，梳理 Numpy 中基本的数据概念和数组创建相关知识。
一、常量
（一）Numpy 中的常见常量
Numpy 定义了一些常用的常量，方便开发者在科学计算中使用。例如，np.pi代表圆周率 π，在涉及圆的面积、周长计算，以及三角函数运算等场景中，直接使用np.pi能让代码更加简洁且表意清晰。代码示例如下：
import numpy as np
# 计算半径为5的圆的面积
area = np.pi * 5 ** 2
print(area)
（二）Numpy 中的特殊值常量
- np.nan：表示非数字（Not a Number），通常在数据缺失、计算错误（如 0/0）等情况下出现。在数据分析中，识别和处理np.nan至关重要。
- np.inf：代表正无穷大，np - inf则表示负无穷大。比如在寻找数据的边界值，或者在一些算法初始化时，这些常量能发挥重要作用。
二、数据类型
（一）Numpy 的数据类型种类
Numpy 支持多种数据类型，这为处理不同类型的数据提供了极大的灵活性：
- 整数类型：np.int8、np.int16、np.int32、np.int64分别表示 8 位、16 位、32 位、64 位有符号整数；与之对应的，np.uint8、np.uint16、np.uint32、np.uint64表示无符号整数。在处理图像数据时，np.uint8应用广泛，因为它能表示 0 - 255 的像素值。
- 浮点数类型：np.float16、np.float32、np.float64，其中np.float64最为常用，在科学计算和数据分析中，它能提供较高的精度。
- 布尔类型：np.bool_，用于存储布尔值True和False，在条件判断和逻辑运算中不可或缺。
（二）数据类型的指定与转换
在创建 Numpy 数组时，可以通过dtype参数指定数据类型。示例如下：
arr = np.array([1, 2, 3], dtype = np.float32)
print(arr)
若要对已有的数组进行数据类型转换，可使用astype方法：
arr_int = np.array([1.1, 2.2, 3.3])
arr_new = arr_int.astype(np.int32)
print(arr_new)
三、时间日期和时间增量
（一）Numpy 的时间日期表示
Numpy 通过datetime64类型支持时间日期的处理，该类型能以多种格式表示日期和时间。创建datetime64数组的示例如下：
date_arr = np.array(['2025 - 01 - 01', '2025 - 01 - 02'], dtype = 'datetime64')
print(date_arr)
（二）时间增量的运用
timedelta64类型用于表示两个时间点之间的时间差。通过np.timedelta64，可以进行日期的加减运算。例如：
date = np.datetime64('2025 - 01 - 01')
delta = np.timedelta64(7, 'D')
new_date = date + delta
print(new_date)
这一特性在处理时间序列数据，如股票价格、气象数据时，能够方便地进行时间跨度的计算和分析。