精通 NumPy：科學(xué)計(jì)算的核心引擎詳解
作為Python科學(xué)計(jì)算的核心引擎，NumPy提供了高效的多維數(shù)組對(duì)象ndarray和豐富的數(shù)學(xué)函數(shù)庫(kù)。相較于原生Python列表，NumPy數(shù)組在處理大型數(shù)據(jù)集時(shí)速度可提升10-100倍，同時(shí)內(nèi)存占用減少75%以上。掌握NumPy不僅有助于理解更高階工具如Pandas和Scikit-learn，更是高效數(shù)據(jù)處理的奠基石。
NumPy核心：ndarray多維數(shù)組
NumPy的核心是ndarray對(duì)象，這是固定大小的同質(zhì)數(shù)據(jù)容器，支持快速數(shù)學(xué)運(yùn)算。
import numpy as np
# 創(chuàng)建一維數(shù)組
arr1d = np.array([1, 2, 3, 4, 5])
# 創(chuàng)建二維數(shù)組
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
# 查看數(shù)組屬性
print(f"維度: {arr2d.ndim}") # 輸出: 維度: 2
print(f"形狀: {arr2d.shape}") # 輸出: (2, 3)
print(f"元素類(lèi)型: {arr2d.dtype}") # 輸出: int64數(shù)組創(chuàng)建的七種高效方式
(1) 等差數(shù)列生成
linspace_arr = np.linspace(0, 10, 5) # [ 0. , 2.5, 5. , 7.5, 10. ]
arange_arr = np.arange(0, 10, 2) # [0, 2, 4, 6, 8](2) 特殊矩陣創(chuàng)建
zeros = np.zeros((3,3)) # 3x3全零矩陣
ones = np.ones((2,4)) # 2x4全一矩陣
eye = np.eye(3) # 3階單位矩陣
diag = np.diag([1,2,3]) # 對(duì)角矩陣(3) 隨機(jī)數(shù)組生成
rand_uniform = np.random.rand(2,3) # [0,1)均勻分布
rand_normal = np.random.randn(3,2) # 標(biāo)準(zhǔn)正態(tài)分布高級(jí)索引與切片技巧
(1) 基礎(chǔ)切片操作
arr = np.arange(12).reshape(3,4)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
print(arr[1, 2]) # 6：第二行第三列
print(arr[:, 1:3]) # 所有行的第2-3列(2) 布爾索引篩選
bool_arr = arr > 5
filtered = arr[bool_arr] # [6,7,8,9,10,11](3) 花式索引應(yīng)用
rows = [0,2]
cols = [1,3]
subset = arr[rows[:, None], cols]
# [[1, 3]
# [9,11]]矩陣運(yùn)算的四大核心操作
(1) 向量化運(yùn)算
a = np.array([1,2,3])
b = np.array([4,5,6])
print(a + b) # [5 7 9] 元素加法
print(a * 2) # [2 4 6] 標(biāo)量乘法
print(np.dot(a,b)) # 32 點(diǎn)積(2) 維度變換操作
arr = np.arange(8)
reshaped = arr.reshape((2,4)) # 改變形狀
flattened = arr.flatten() # 展平為一維(3) 聚合函數(shù)應(yīng)用
matrix = np.random.randint(0,10,(4,3))
print(np.sum(matrix)) # 所有元素和
print(matrix.max(axis=0)) # 每列最大值
print(np.mean(matrix, axis=1)) # 各行平均值(4) 廣播機(jī)制解析
NumPy自動(dòng)處理不同形狀數(shù)組運(yùn)算：
A = np.array([[1,2],[3,4]])
B = np.array([10,20])
# B被廣播為[[10,20],[10,20]]
result = A * B # [[10,40],[30,80]]文件IO與數(shù)據(jù)持久化
(1) 保存到.npy格式
np.save('data.npy', arr) # 單個(gè)數(shù)組
np.savez('dataset.npz', x=arr, y=arr) # 多個(gè)數(shù)組(2) 讀取二進(jìn)制文件
loaded = np.load('data.npy')
data = np.load('dataset.npz')
print(data['x']) # 訪(fǎng)問(wèn)特定數(shù)組(3) 文本文件交互
np.savetxt('matrix.txt', arr, delimiter=',')
txt_arr = np.loadtxt('matrix.txt', delimiter=',')結(jié)尾：掌握NumPy的科學(xué)計(jì)算力量
NumPy不僅是數(shù)據(jù)處理的基礎(chǔ)設(shè)施，更是Python科學(xué)計(jì)算生態(tài)的支柱。通過(guò)熟練使用數(shù)組操作、向量化運(yùn)算和廣播功能，開(kāi)發(fā)者能夠避開(kāi)Python循環(huán)的性能陷阱，實(shí)現(xiàn)類(lèi)似C語(yǔ)言效率的計(jì)算。約70%的Pandas底層操作依賴(lài)NumPy實(shí)現(xiàn)，深入理解NumPy將為你打開(kāi)深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)等領(lǐng)域的大門(mén)。
