NumPy（Numeric Python）是Python的一种开源的数值计算扩大。这种工具可用于存储和解决大型矩阵，使得在Python中进行数学运算变得更为便捷高效。
一、NumPy数组和Python列表的比拟
Python的列表是一种通用的数据结构，但对于大规模数值运算，列表的效率并不高。NumPy提供的是一种称为ndarray的多维数组对象，它比Python的原生列表在存储和操作数据时，更加的高效和便捷。
import numpy as np# 创立一个NumPy数组arr = np.array([1, 2, 3, 4, 5])print(arr)以上代码将打印出一个NumPy数组[1 2 3 4 5]。咱们能够看到，NumPy数组和Python列表在表现形式上并无太大区别，然而在进行大规模数据运算时，二者的差别就显现出来。
二、NumPy的矢量化运算
NumPy最重要的个性之一就是其矢量化运算的能力。所谓矢量化，就是指对数组的每个元素利用函数，而无需编写显式的循环。这使得程序在进行数值计算时，更加简洁且运行更快。
import numpy as np# 创立一个NumPy数组arr = np.array([1, 2, 3, 4, 5])# 将数组中每个元素加1arr = arr + 1print(arr) # 输入: [2 3 4 5 6]在这个例子中，咱们间接将一个标量值1加到了数组arr的每一个元素上，这在Python原生列表中是无奈做到的。如果你尝试将一个数字和一个列表相加，Python会抛出一个类型谬误。然而在NumPy中，这种矢量化的运算能够让咱们更不便地进行数学运算。
三、NumPy的播送机制
NumPy的另一个弱小个性是播送（Broadcasting）。播送是NumPy解决不同大小数组间二元运算的能力。
例如，咱们有一个值和一个数组，咱们想将这个值加到数组的每一个元素上。NumPy的播送机制能够让咱们做到这一点，而无需显式地复制这个值。
import numpy as np# 创立一个NumPy数组arr = np.array([1, 2, 3, 4, 5])# 创立一个标量值value = 1# 应用播送将标量值加到数组的每一个元素上result = arr + valueprint(result) # 输入: [2 3 4 5 6]这个例子和上个例子类似，咱们也是将一个值加到数组的每个元素上。然而这里咱们更明确地展现了NumPy的播送机制。这种机制也能够利用于更简单的状况，比方两个数组之间的运算。
四、NumPy数组的索引和切片
NumPy数组的索引和切片和Python列表十分类似。咱们能够通过索引拜访数组的单个元素，或者通过切片拜访数组的一个子集。
import numpy as np# 创立一个NumPy数组arr = np.array([1, 2, 3, 4, 5])# 通过索引拜访元素print(arr[0]) # 输入: 1# 通过切片拜访子集print(arr[1:3]) # 输入: [2 3]这个例子显示了如何通过索引和切片来拜访NumPy数组的元素。请留神，和Python列表一样，NumPy数组的索引也是从0开始的。
五、NumPy数组的形态和维度
NumPy数组有两个十分重要的属性：形态（shape）和维度（dimension）。形态形容的是数组在每个维度上的大小，维度则是数组的总维数。
import numpy as np# 创立一个二维NumPy数组arr = np.array([[1, 2, 3], [4, 5, 6]])# 打印数组的形态和维度print(arr.shape) # 输入: (2, 3)print(arr.ndim) # 输入: 2在这个例子中，咱们创立了一个2x3的二维数组。它的形态是(2, 3)，示意它有2行3列。它的维度是2，示意它是一个二维数组。
六、论断
NumPy是Python中进行数值计算的重要工具，它提供了高效的多维数组对象，以及大量的函数来操作这些数组。本文仅介绍了NumPy的一些根本个性，NumPy还有许多其余的个性和性能期待咱们去挖掘和利用。