建网站策划方案推广方案的内容有哪些

以下是专为新手设计的 NumPy 基础入门指南，通过通俗易懂的语言和实际案例，带你快速掌握核心操作！

---

一、NumPy 是什么？

NumPy 是 Python 的 科学计算核心库，擅长处理多维数组（如矩阵）和数学运算，是数据分析、机器学习的必备工具。
👉 核心优势：比 Python 原生列表快 50 倍以上，且支持向量化运算（避免写循环）！

---

二、安装与导入

1. 安装（已安装可跳过）
   打开终端（Terminal），输入：

   pip install numpy
   

2. 导入库

   import numpy as np  # 约定俗成的缩写为 np
   

---

三、核心概念：数组（Array）

NumPy 的核心是 ndarray（N-dimensional array），即多维数组。

1. 创建数组

方法	代码示例	输出
从列表创建	np.array([1, 2, 3])	array([1, 2, 3])
全零数组	np.zeros(3)	array([0., 0., 0.])
全1数组	np.ones((2, 3))	2行3列的全1矩阵
等差数列	np.arange(0, 10, 2)	array([0, 2, 4, 6, 8])
随机数组（0~1）	np.random.rand(2, 2)	2x2的随机数矩阵

2. 数组属性

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape)   # 形状：(2, 3) → 2行3列
print(arr.ndim)    # 维度：2 → 二维数组
print(arr.dtype)   # 数据类型：int32（自动推断）

---

四、数组操作（超实用！）

1. 索引与切片

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 获取单个元素（第2行第3列）
print(arr[1, 2])  # 输出：6# 切片（前两行，所有列）
print(arr[:2, :])  # 输出：[[1 2 3], [4 5 6]]

2. 变形（Reshape）

arr = np.arange(12)
new_arr = arr.reshape(3, 4)  # 转为3行4列矩阵

3. 数学运算

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])# 向量化运算（无需循环）
print(a + b)  # 输出：[5 7 9]
print(a * 2)  # 输出：[2 4 6]
print(np.sum(a))  # 求和：6

4. 广播机制（Broadcasting）

当数组形状不同时，NumPy 会自动扩展较小数组的维度，使它们可运算：

a = np.array([[1], [2], [3]])  # 3x1
b = np.array([4, 5, 6])        # 3print(a + b)  # 输出：# [[5, 6, 7],#  [6, 7, 8],#  [7, 8, 9]]

---

五、常用函数速查表

函数	作用	示例
np.max()	找最大值	np.max([1, 2, 3]) → 3
np.min()	找最小值	np.min([1, 2, 3]) → 1
np.mean()	计算平均值	np.mean([1, 2, 3]) → 2
np.dot(a, b)	矩阵乘法（点积）	np.dot([1,2], [3,4]) → 11
np.linspace(0,1,5)	生成等间隔数组	[0., 0.25, 0.5, 0.75, 1.]

---

六、新手常见问题

1. 如何判断是否是 NumPy 数组？

print(type(arr))  # 输出：<class 'numpy.ndarray'>

2. 为什么数组运算报错？

检查形状是否匹配：

a = np.array([1, 2])
b = np.array([[3], [4]])
print(a + b)  # 正确！广播机制生效 → 2x2矩阵

3. 如何保存/加载数组？

np.save('data.npy', arr)     # 保存
loaded_arr = np.load('data.npy')  # 加载

---

七、总结

• NumPy 核心：数组操作 + 向量化运算。
• 关键技能：创建数组、索引切片、变形、数学运算。
• 下一步：学习 Pandas（数据分析）或 Matplotlib（绘图）！

练习任务：创建一个 5x5 的随机矩阵，计算每一列的平均值，并找到最大值所在的索引！