NumPy 是 Python 生态系统中用于科学计算的基础库之一，它提供了强大的数组对象、高效的数值计算能力以及许多用于数组和矩阵操作的实用函数。在本指南上篇中，我们将介绍 NumPy 的核心功能，帮助你掌握数组和矩阵的基本概念与操作。

1. NumPy 简介

NumPy，全称 Numerical Python，是一个开源的数学运算库。它提供了一个高性能的多维数组对象，并附带了大量的数学函数。NumPy 是科学计算、数据分析和机器学习领域的基础，这些领域的许多其他库（如 SciPy、Pandas、TensorFlow）都依赖于 NumPy。

2. 安装 NumPy

如果你还没有安装 NumPy，可以使用以下命令通过 pip 安装：

pip install numpy  

3. NumPy 数组基础

创建数组

NumPy 中的核心对象是 ndarray，它是一个多维数组。你可以通过多种方式创建数组：

• 从列表或元组创建：

  import numpy as np  
  array_from_list = np.array([1, 2, 3, 4])  
  array_from_tuple = np.array((5, 6, 7, 8))  

• 使用 NumPy 函数创建：

  zeros_array = np.zeros((2, 3))  # 创建一个全零数组  
  ones_array = np.ones((2, 3))    # 创建一个全一数组  
  arange_array = np.arange(10)    # 创建一个从 0 到 9 的数组  
  linspace_array = np.linspace(0, 1, 5)  # 创建一个从 0 到 1 的线性空间数组，共 5 个元素  

数组属性

一旦你创建了数组，你可以通过以下属性来了解数组的信息：

• ndarray.ndim：数组的维度
• ndarray.shape：数组的形状（每个维度上的大小）
• ndarray.size：数组中元素的总数
• ndarray.dtype：数组中元素的数据类型

数组索引与切片

与 Python 的列表类似，NumPy 数组支持索引和切片：

array = np.array([[1, 2, 3], [4, 5, 6]])  
element = array[1, 2]         # 获取第二行第三个元素（6）  
sub_array = array[:, 1:3]     # 切片：获取各行的第二和第三列  

4. 数组运算

数组广播

广播是一种强大的机制，它允许 NumPy 在执行算术运算时以不同的形状处理数组。例如，标量与数组的运算：

array = np.array([1, 2, 3])  
result = array + 2  # 结果为 array([3, 4, 5])  

矩阵运算

NumPy 提供了许多用于矩阵运算的函数：

• np.dot(a, b)：计算两个数组的点积。
• np.matmul(a, b)：计算矩阵乘积。
• np.transpose(a)：矩阵转置。

matrix_a = np.array([[1, 2], [3, 4]])  
matrix_b = np.array([[5, 6], [7, 8]])  
product = np.dot(matrix_a, matrix_b)  

5. 通用函数 (ufunc)

NumPy 提供了大量的通用函数 (ufunc)，用于对数组执行元素级运算：

• np.add(a, b)：元素级加法
• np.subtract(a, b)：元素级减法
• np.multiply(a, b)：元素级乘法
• np.divide(a, b)：元素级除法

array_1 = np.array([1, 2, 3])  
array_2 = np.array([4, 5, 6])  
sum_array = np.add(array_1, array_2)  # array([5, 7, 9])  

6. 总结

在上篇中，我们探讨了 NumPy 的基本数组操作及数组之间的运算。这些技能是进一步进行复杂数值计算的基础。在下篇中，我们将深入研究 NumPy 中的高级功能，与 SciPy 的集成及如何在数据分析和机器学习任务中应用 NumPy。通过掌握这些技巧，你将能够在科学计算中实现更高效的工作流。

希望本指南能帮助你打下坚实的基础，开始你的 NumPy 之旅。