小编点评

**NumPy数组简介** NumPy 是一个开源的数值计算库，提供了高效的数值计算和数组操作功能。 **基本操作** * 创建数组：`np.array()` * 操作数组：`+`、`-`、`*`、`/`、`//`、`%`、`pow` * 切片操作：`[1:5]` * 拼接数组：`np.concatenate()` * 转置数组：`np.transpose()` * 乘法：`array * coefficient` * 除法：`array / coefficient` * 求导：`np.gradient()` * 积分：`np.trapz()` * 对数：`np.log()` * 逐元素操作：`array[i]` * 求平均值：`np.mean()` * 中位数：`np.median()` * 众数：`np.mode()` * 按值排序：`np.sort()` **广播计算** 广播计算是指在多维数组上进行的一种高效计算方式，可以将计算任务分配到每个维度上，并可以在计算过程中进行数据共享和同步，从而提高计算效率和精度。 **聚合计算** 聚合计算一般是针对单个数据集的各种统计结果，可以避免繁琐的循环语句的编写。 **数组索引** 数组索引是指在numpy数组中引用特定元素的方法，比其他编程语言的索引强大很多。 **其他** NumPy 提供了简单和高级的线性代数函数，例如向量积和矩阵乘法等。

正文

概述

NumPy是一个开源的科学计算库，它提供了高效的数值计算和数组操作功能，主要包括：

• 多维数组的创建、操作和索引。
• 数组的切片、拼接和转置。
• 数组的乘法、除法、求导、积分、对数等基本运算。
• 数组的逐元素操作、求平均值、中位数、众数等统计量。
• 数组作为列表、元组等数据类型进行传递和返回。
• 与其他数学库（如Matplotlib）的兼容性，使得可以方便地使用NumPy计算结果。
• 拥有高效的向量化算法，例如暴力搜索和插值等。
• 提供了简单和高级的线性代数函数，例如向量积和矩阵乘法等。

目录

1. 数组简介
   在NumPy中，数组是最核心的概念，用于存储和操作数据。
   NumPy数组是一种多维数组对象，可以存储相同类型的元素，它支持高效的数学运算和线性代数操作。

---

2. 基础操作
   numpy 作为一个强大的数值计算库，提供了对多维数组的很多便捷操作。
   承接上一篇数组的创建，本篇主要介绍一些数组的基本操作。

---

3. 通用计算
   numpy 提供了简单灵活的接口，用于优化数据数组的计算。
   通用计算最大的优势在于通过向量化操作，将循环推送至numpy之下的编译层，从而取得更快的执行效率。

numpy的通用计算让我们计算数组时就像计算单独一个变量一样，
不用写循环去遍历数组中的各个元素。

---

4. 聚合计算
   本篇介绍的聚合计算一般是针对单个数据集的各种统计结果，同样，使用聚合函数，也可以避免繁琐的循环语句的编写。

---

5. 广播计算
   numpy的广播计算是指在多维数组上进行的一种高效计算方式。
   它可以将计算任务分配到每个维度上，并且可以在计算过程中进行数据共享和同步，从而提高计算效率和精度。

广播计算在数值计算、科学计算、机器学习等领域都有广泛的应用。
例如，在数值计算中，广播计算可以用于求解大规模的非线性方程组；
在科学计算中，广播计算可以用于模拟和预测自然现象；
在机器学习中，广播计算可以用于分布式训练和推理等场景。

---

6. 数组过滤
   在numpy中，数组可以看作是一系列数值的有序集合，可以通过下标访问其中的元素。
   处理数组的过程中，经常需要用到数组过滤功能。

过滤功能可以在处理数据时非常有用，因为它可以使数据更加干净和可读性更强。
例如，在进行数据分析时，通常需要去除异常值，过滤掉不必要的元素可以使数据更加易于分析和处理。

---

7. 数组索引
   数组索引是指在numpy数组中引用特定元素的方法。
   numpy的数组索引又称为fancy indexing，比其他编程语言的索引强大很多。

---

8. 数组排序
   numpy数组通常是用于数值计算的多维数组，而排序功能可以快速、准确地对数据进行排序，从而得到更加清晰、易于分析的结果。

在数据分析和处理过程中，常常需要对数据进行排序，以便更好地理解和发现其中的规律和趋势。

---

9. 结构化
   目前为止，介绍的numpy数组基本都是关于数值的，其实，numpy本身就是一个用于数值计算的基础库。

不过，除了数值计算之外，numpy也能够支持结构化数组。