Numpy能处理数据吗？

NumPy 从基础到高级完整讲解 NumPy（Numerical Python）是Python科学计算的核心库，其核心是多维数组（ndarray），提供了高效的数值计算、向量化操作、广播机制等功能，相比Python原生列表，NumPy数组在内存占用、计算速度上有数量级的提升。 本文将分「基础篇」「进阶篇」「高级篇」，结合可运行代码、数据示例和核心结论，全面讲解NumPy的使用。 一、基础篇：核心概念与基本操作 1.1 安装与导入 首先确保安装NumPy，然后导入（约定俗成用np作为别名）： # 安装（终端执行） # pip install numpy # 导入 import numpy as np 1.2 核心数据结构：ndarray ndarray是NumPy的核心，是同质的多维数组（所有元素类型相同），以下是常见创建方式： （1）从Python列表/元组创建 # 一维数组 arr1d = np.array([1, 2, 3, 4, 5]) print("一维数组：", arr1d) # 输出：一维数组： [1 2 3 4 5] # 二维数组（矩阵） arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print("二维数组：\n", arr2d) # 指定数据类型（dtype） arr_float = np.array([1, 2, 3], dtype=np.float64) print("浮点型数组：", arr_float, "dtype：", arr_float.dtype) 数据说明： 一维数组arr1d：[1,2,3,4,5]（int32默认） 二维数组arr2d：3行3列的矩阵 arr_float：强制转为float64类型 结论： np.array()是创建数组的基础方法，支持嵌套列表创建多维数组； dtype可指定元素类型（int8/16/32/64、float16/32/64、bool等），避免类型不一致导致的计算问题。 （2）内置函数创建数组（常用） # 全0数组 zeros_arr = np.zeros((2, 3)) # 2行3列 print("全0数组：\n", zeros_arr) # 全1数组 ones_arr = np.ones((3, 2), dtype=np.int32) # 3行2列，int32类型 print("全1数组：\n", ones_arr) # 自定义填充值 full_arr = np.full((2, 2), 99) # 2行2列，填充99 print("自定义填充数组：\n", full_arr) # 等差数列（arange：start, stop, step） arange_arr = np.arange(0, 10, 2) # 0到10（不含），步长2 print("等差数列：", arange_arr) # 等间隔数列（linspace：start, stop, num） linspace_arr = np.linspace(0, 1, 5) # 0到1，生成5个等间隔数 print("等间隔数列：", linspace_arr) # 随机数数组 np.random.seed(42) # 固定随机种子，保证结果可复现 rand_arr = np.random.rand(2, 3) # 2行3列，0-1均匀分布随机数 randn_arr = np.random.randn(2, 3) # 2行3列，标准正态分布（均值0，方差1） randint_arr = np.random.randint(0, 10, (2, 3)) # 0-10（不含）整数随机数 print("均匀分布随机数：\n", rand_arr) print("标准正态分布随机数：\n", randn_arr) print("整数随机数：\n", randint_arr) # 单位矩阵（对角线为1，其余为0） eye_arr = np.eye(3) # 3阶单位矩阵 print("单位矩阵：\n", eye_arr) 数据说明： 内置函数创建的数组维度由参数shape（元组）指定，如(2,3)表示2行3列； 随机数数组通过seed固定种子，确保每次运行结果一致。 结论： 内置函数比手动创建列表更高效，尤其适合大规模数组； arange侧重“步长”，linspace侧重“点数”，按需选择； 随机数生成需注意种子（seed），保证实验可复现。