NumPy（Numerical Python）是Python生态中最核心的科学计算库之一，提供高性能多维数组对象（`ndarray`）及丰富的数学函数。以下是系统介绍：
—
### **1. 核心特性**
- **多维数组**：`ndarray`是同构数据容器，支持任意维度（1D向量、2D矩阵、3D张量等）。
- **广播机制**：不同形状数组间的高效算术运算（如`[1,2,3] + [[1],[2],[3]]`→`[[2,3,4],[3,4,5],[4,5,6]]`）。
- **向量化操作**：避免Python循环，底层用C实现，运算速度提升10~100倍。
- **内存优化**：连续内存块存储，支持视图（view）而非复制数据，减少内存占用。
—
### **2. 核心功能**
#### **数组操作**
“`python
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]]) # 2×3矩阵
b = a.reshape(3, 2) # 重塑形状
c = a.T # 转置
“`
#### **数学运算**
- **逐元素运算**：`np.sin(a)`, `a**2`, `a * b`（广播）
- **线性代数**：`np.dot(a, b)`（矩阵乘法）、`np.linalg.eigvals(a)`（特征值）
- **统计函数**：`a.mean(axis=0)`（按列求均值）、`a.std()`（标准差）
#### **索引与切片**
- 花式索引：`a[[0,1], [1,2]]` → 取(0,1)和(1,2)位置的元素
- 布尔索引：`a[a > 3]` → 筛选大于3的元素
—
### **3. 生态整合**
- **SciPy**：基于NumPy扩展科学计算（信号处理、优化等）。
- **Pandas**：`DataFrame`底层使用NumPy数组。
- **TensorFlow/PyTorch**：张量运算与NumPy接口互通（如`torch.from_numpy()`）。
—
### **4. 性能对比示例**
“`python
# Python列表 vs NumPy数组百万元素平方
import time
size = 10**6
py_list = list(range(size))
np_arr = np.arange(size)
# Python循环（慢）
start = time.time()
[x**2 for x in py_list]
print(time.time() – start) # ~0.1s
# NumPy向量化（快）
start = time.time()
np_arr**2
print(time.time() – start) # ~0.001s
“`
—
### **5. 学习资源**
- **官方文档**：[https://numpy.org/doc/](https://numpy.org/doc/)
- **快速入门**：[NumPy教程](https://numpy.org/devdocs/user/quickstart.html)
- **书籍**：《Python for Data Analysis》（Wes McKinney著）
NumPy是数据科学、机器学习、工程计算的基石，掌握它可大幅提升Python数值计算效率。