第一章：Numpy 入门与 ndarray 基础

1.1 什么是 Numpy

Numpy 是 Python 中用于数值计算的重要库，它提供了高性能的多维数组对象（ndarray）以及一系列用于处理这些数组的函数。Numpy 的设计目标是让数值计算变得更加高效，尤其是在处理大规模数据时，其性能远远优于 Python 原生的数据结构。

想象一下，你要处理一个包含成千上万数字的列表，如果使用 Python 原生列表，每次对列表中的元素进行数学运算，都需要逐个遍历列表元素进行操作，效率较低。而 Numpy 的 ndarray 可以对整个数组进行快速的向量化运算，就像一群人一起干活，比一个人逐个干要快得多。

1.2 安装 Numpy

在开始使用 Numpy 之前，需要先安装它。如果你使用的是 Anaconda 环境，Numpy 通常已经预装。如果没有，可以使用 pip 命令来安装：

pip install numpy

在安装过程中，pip 会自动下载并安装 Numpy 及其依赖项。安装完成后，就可以在 Python 代码中导入并使用 Numpy 了。

1.3 导入 Numpy

在 Python 脚本或交互式环境中，通常使用以下方式导入 Numpy：

import numpy as np

这里将 numpy 库导入并简写成 np，这是一种常见的约定，方便后续使用。就好比给一个很长名字的朋友取了个简单易记的昵称，之后叫昵称就可以指代他。

1.4 创建 ndarray

ndarray 是 Numpy 的核心数据结构，下面介绍几种常见的创建 ndarray 的方法。

1.4.1 从 Python 列表创建

可以将 Python 的列表转换为 ndarray。例如：

import numpy as np

my_list = [1, 2, 3, 4, 5]
arr = np.array(my_list)
print(arr)

在这个例子中，先定义了一个 Python 列表 my_list，然后使用 np.array() 函数将其转换为 ndarray 并赋值给 arr，最后打印 arr 可以看到输出的 ndarray 形式。

如果列表中包含列表，就可以创建多维 ndarray，比如：

import numpy as np

nested_list = [[1, 2, 3], [4, 5, 6]]
multi_arr = np.array(nested_list)
print(multi_arr)

这里通过嵌套列表创建了一个二维的 ndarray，这种方式很直观，就像把多层嵌套的盒子变成了一个规整的二维数组盒子。

[[1 2 3]
 [4 5 6]]

拓展说明

如果嵌套列表的层级更多（如三层列表），则会创建更高维度的数组。例如：

运行

nested_3d = [[[1, 2], [3, 4]], [[5, 6], [7, 8]]]
arr_3d = np.array(nested_3d)
print(arr_3d)

输出：

[[[1 2]
  [3 4]]
 
 [[5 6]
  [7 8]]]

此时数组维度为 (2, 2, 2)，即三维数组（可理解为 “立方体” 结构）。

1.4.2 使用特定函数创建

• np.zeros()：创建一个全为 0 的 ndarray。它接受一个表示形状的参数。例如：

import numpy as np

zero_arr = np.zeros((3, 4))
print(zero_arr)

上述代码创建了一个形状为 (3, 4) 的二维 ndarray，所有元素都是 0。就像是准备了一个 3 行 4 列的表格，每个格子都先填上 0。

• np.ones()：与 np.zeros() 类似，但创建的 ndarray 元素全为 1。示例如下：

import numpy as np

one_arr = np.ones((2, 2))
print(one_arr)

这里创建了一个 2x2 的全 1 ndarray，可以理解为一个小的正方形表格，每个格子都是 1。

2×2 全 1 数组：
[[1. 1.]
 [1. 1.]]

• np.arange()：生成一个等差数组，类似于 Python 的 range() 函数，但返回的是 ndarray。例如：

import numpy as np

arr_range = np.arange(1, 10, 2)
print(arr_range)

此代码生成从 1 开始（包含），到 10 结束（不包含），步长为 2 的 ndarray，输出结果就是 [1 3 5 7 9]，就像按照一定的间隔在数轴上选取数字组成数组。