NumPy 的入门指南，专为 Python 新手设计，帮助你快速掌握 NumPy 的核心概念和常用函数：

一、NumPy 是什么？

NumPy（Numerical Python） 是 Python 中用于科学计算的核心库，专注于高效的多维数组（ndarray）操作。

• 核心优势：

  • 提供高性能的数组对象（比 Python 原生列表快 50 倍以上）。

  • 支持向量化运算（无需编写循环即可批量处理数据）。

  • 是众多科学库（如 Pandas、Matplotlib、Scikit-learn）的基础。

---

二、为什么需要 NumPy？

假设要计算两个长度为 100 万的列表的逐元素加法：

• Python 原生列表：需要手动编写循环，效率低。

• NumPy 数组：一行代码完成，底层用 C 实现，速度极快。

import numpy as np

# Python 原生列表（慢）
list1 = [i for i in range(1, 1000001)]
list2 = [i for i in range(1000001, 2000001)]
result = [a + b for a, b in zip(list1, list2)]

# NumPy 数组（快）
arr1 = np.arange(1, 1000001)
arr2 = np.arange(1000001, 2000001)
result = arr1 + arr2  # 直接相加，无需循环

---

三、NumPy 核心：多维数组（ndarray）

1. 创建数组

方法	示例	输出
从列表转换	np.array([1, 2, 3])	array([1, 2, 3])
全零数组	np.zeros((2, 3))	2行3列的全零矩阵
全一数组	np.ones((3,))	长度为3的一维数组
等差数列	np.arange(0, 10, 2)	array([0, 2, 4, 6, 8])
随机数组	np.random.rand(2, 2)	2x2的随机数矩阵（0~1）

2. 数组属性

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape)   # 形状：(2, 3)
print(arr.ndim)    # 维度：2（二维数组）
print(arr.dtype)   # 数据类型：int32 或 float64

---

四、NumPy 常用函数

1. 数组操作

函数/方法	功能	示例
索引和切片	访问或修改元素	arr[0, 1] = 10
reshape()	改变数组形状	arr.reshape(3, 2)
concatenate()	合并数组	np.concatenate([arr1, arr2])
transpose()	转置矩阵	arr.T

2. 数学运算

运算	说明	示例
逐元素加减乘除	+, -, *, /	arr1 + arr2
矩阵乘法	@ 或 np.dot()	arr1 @ arr2
平方根、指数等	np.sqrt(), np.exp()	np.sqrt(arr)

3. 统计与聚合

函数	功能	示例
sum() / mean()	求和 / 平均值	arr.sum(axis=0)
max() / min()	最大值 / 最小值	arr.max()
std() / var()	标准差 / 方差	np.std(arr)

---

五、实战示例：学生成绩分析

import numpy as np

# 生成5名学生3门科目的成绩（0~100分）
scores = np.random.randint(0, 101, size=(5, 3))
print("原始成绩表：\n", scores)

# 计算每科平均分
mean_per_subject = scores.mean(axis=0)
print("每科平均分：", mean_per_subject)

# 找出总分最高的学生
total_scores = scores.sum(axis=1)
max_index = total_scores.argmax()
print("最高分学生索引：", max_index)

输出：

原始成绩表：
 [[83 45 90]
 [71 96 58]
 [12 76 55]
 [87 89 63]
 [ 2 30 18]]
每科平均分： [51.  67.2 56.8]
最高分学生索引： 3