深入理解 NumPy：Python 科学计算的基石

在数据科学、人工智能和科学计算的世界里，NumPy 是一块绕不过去的基石。它是 Python 语言中用于高性能科学计算的基础包，几乎所有的数据分析与机器学习框架（如 Pandas、TensorFlow、Scikit-learn）都离不开它的支持。

一、什么是 NumPy？

NumPy （Numerical Python）是一个开源的 Python 库，主要用于支持大型多维数组与矩阵运算，同时提供了大量的数学函数库用于对这些数组进行操作。其核心数据结构是 ndarray，一个多维数组对象。

NumPy 的优势：

更高效的数据存储与计算性能
支持广播（broadcasting）机制
丰富的线性代数、傅里叶变换与随机数生成工具
与 C、C++ 和 Fortran 的接口优秀，支持底层扩展

二、NumPy 安装

安装 NumPy 最简单的方法是使用 pip 或 conda：

复制代码

pip install numpy
# 或者使用 Anaconda
conda install numpy

安装完成后可以这样导入：

复制代码

import numpy as np

三、NumPy 核心数据结构：ndarray

1. 创建 ndarray

复制代码

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
c = np.zeros((2, 3))                  # 全 0 数组
d = np.ones((2, 3))                   # 全 1 数组
e = np.eye(3)                         # 单位矩阵
f = np.arange(0, 10, 2)               # 生成等差序列
g = np.linspace(0, 1, 5)              # 生成等距分布的数

2. 数组属性

复制代码

print(a.shape)      # 数组维度
print(a.ndim)       # 维数
print(a.dtype)      # 元素类型
print(a.size)       # 元素个数

四、数组操作

1. 数组索引与切片

复制代码

arr = np.array([[1, 2, 3], [4, 5, 6]])

print(arr[0, 2])       # 获取第一行第三列的元素
print(arr[:, 1])       # 获取所有行的第二列
print(arr[1, :2])      # 获取第二行的前两列

2. 数组形状变换

复制代码

a = np.arange(6)           # [0, 1, 2, 3, 4, 5]
a = a.reshape((2, 3))      # 转换为 2 行 3 列
a.T                        # 转置
a.flatten()                # 展平成一维

3. 数组合并与拆分

复制代码

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])

# 合并
np.vstack((a, b))          # 竖直堆叠
np.hstack((a, a))          # 水平堆叠

# 拆分
np.split(a, 2, axis=0)     # 沿第 0 轴拆分

五、广播机制（Broadcasting）

NumPy 可以让不同形状的数组在一起执行运算，前提是它们遵循广播规则：

复制代码

a = np.array([1, 2, 3])
b = 2
print(a + b)      # 输出：[3, 4, 5]

A = np.ones((2, 3))
B = np.array([1, 2, 3])
print(A + B)      # 每一行加上 [1, 2, 3]

六、常用函数

1. 数学函数

复制代码

a = np.array([1, 2, 3])

np.sqrt(a)
np.exp(a)
np.log(a)
np.sin(a)

2. 聚合函数

复制代码

a = np.array([[1, 2], [3, 4]])

np.sum(a)
np.mean(a)
np.std(a)
np.max(a, axis=0)
np.min(a, axis=1)

七、线性代数操作

NumPy 拥有强大的线性代数模块：

复制代码

from numpy.linalg import inv, det, eig, solve

A = np.array([[1, 2], [3, 4]])

inv(A)         # 求逆
det(A)         # 行列式
eig(A)         # 特征值与特征向量
b = np.array([5, 6])
solve(A, b)    # 解线性方程 Ax = b

八、随机数生成

复制代码

np.random.seed(0)            # 设置随机种子
np.random.rand(2, 3)         # 均匀分布
np.random.randn(2, 3)        # 正态分布
np.random.randint(0, 10, 5)  # 整数
np.random.choice([1, 2, 3], size=4)

九、实际应用示例：矩阵回归模型

复制代码

# 简单的线性回归计算示例： y = Xβ
X = np.array([[1, 1], [1, 2], [1, 3]])
y = np.array([1, 2, 3])

# 最小二乘解: β = (X.T X)^-1 X.T y
beta = np.linalg.inv(X.T @ X) @ X.T @ y
print("线性回归系数：", beta)

输出：

复制代码

线性回归系数： [0. 1.]

这说明模型 y = x 完全拟合了数据。

十、总结

NumPy 是 Python 科学计算的基础设施。熟练掌握 NumPy，能帮助你写出更高效、更简洁的数值计算代码，也为深入学习 Pandas、Scikit-learn、TensorFlow 等框架打下坚实的基础。

建议的学习路径：

掌握 ndarray 的基本操作
学会广播和向量化操作
理解数组运算的内存和性能特点
尝试用 NumPy 完成简单的数值计算任务