NumPy（Numerical Python）是进行科学计算、数据分析和机器学习的基础之一。NumPy 提供了强大的多维数组对象和大量数学函数，能够高效处理大量数据，是学习数据科学和机器学习的重要工具。

参考书籍：Python数据分析基础教程：NumPy学习指南（第2版）

github一搜就有这本书的PDF

主要先以这本书为路线学习numpy.

1 NumPy快速入门-安装

环境是Jupyter notebook.

首先学习前，搭建好环境：

workon env1
jupyter notebook

安装numpy，导入以及查看版本：

!pip install numpy
import numpy as np
np.__version__

2 体验NumPy中的数组对象

NumPy数组在数值运算方面的效率优于Python提供的list容器。使用NumPy可以在代码中省去很多循环语句，因此其代码比等价的Python代码更为简洁。

通过例子体会：

假设我们需要对两个向量a和b做加法。这里的向量即数学意义上的一维数组。

向量a的取值为0~n的整数的平方，例如n取3时，向量a为0、1或4。向量b的取值为0~n的整数的立方，例如n取3时，向量b为0、1或8。用纯Python 代码应该怎么写呢？

def vector_addition(n): 
    a = [i**2 for i in range(n)]
    b = [i**3 for i in range(n)]
    c = [a[i] + b[i] for i in range(n)]
    return a,b,c

如果用numpy:

def vector_addition_numpy(n):
    a = np.arange(n) ** 2
    b = np.arange(n) ** 3
    c = a + b
    return a,b,c

上面的vector_addition_numpy函数中，避免了使用for循环。—–>简洁

除了简洁之外，很重要的一点是：NumPy在数组操作上的效率优于纯Python代码！！！

使用https://kirsten-1.github.io/2025/01/27/IPython/中提到的魔法命令%time来测试下时间：

def vector_addition(n): 
    a = [i**2 for i in range(n)]
    b = [i**3 for i in range(n)]
    c = [a[i] + b[i] for i in range(n)]
    return a,b,c

n = 3
%time a,b,c = vector_addition(n)
print("向量a",a)
print("向量b",b)
print("向量a+向量b",c)

========================================

def vector_addition_numpy(n):
    a = np.arange(n) ** 2
    b = np.arange(n) ** 3
    c = a + b
    return a,b,c

n1 = 3
%time a1,b1,c1 = vector_addition(n)
print("向量a",a1)
print("向量b",b1)
print("向量a+向量b",c1)

可以得出结论：

从执行时间的对比来看，NumPy 版本的代码比纯 Python 版本的代码执行得更快。NumPy 能够提供更高的性能，特别是在处理大规模数据时，NumPy 提供了更优化的底层实现，能够加速运算。
numpy更简洁。纯 Python 代码：需要使用列表推导式和 for 循环来手动实现向量加法。NumPy 代码：通过 NumPy 的广播机制，直接使用 + 运算符进行向量加法，代码更简洁且执行效率更高。

补充：NumPy 能够通过其底层优化和向量化操作显著提升性能，比纯 Python 的实现更快。（以后详细学习）

书上P11有一道题：

突击测验：arange函数的功能 问题1 arrange(5)的作用是什么？ (1) 创建一个包含5个元素的Python列表（list），取值分别为1~5的整数

(2) 创建一个包含5个元素的Python列表，取值分别为0~4的整数

(3) 创建一个包含5个元素的NumPy数组，取值分别为1~5的整数

(4) 创建一个包含5个元素的NumPy数组，取值分别为0~4的整数

(5) 以上都不对

应该正确答案是（4），np.arange(5) 会生成一个包含从 0 到 4（共5个元素）的整数的 NumPy 数组，具体来说是 [0, 1, 2, 3, 4]。

勇敢出发：进一步分析 我们用来比较NumPy和常规Python代码运行速度的程序不是特别严谨，如果将相同的实验重复多次并计算相应的统计量（如平均运行时间等）会更科学。你可以把实验结果绘制成图表，并展示给你的好友和同事。

例如：

import time
import matplotlib.pyplot as plt

# 定义函数：常规Python实现
def vector_addition(n):
    a = [i**2 for i in range(n)]
    b = [i**3 for i in range(n)]
    c = [a[i] + b[i] for i in range(n)]
    return a, b, c

# 定义函数：NumPy实现
def vector_addition_numpy(n):
    a = np.arange(n) ** 2
    b = np.arange(n) ** 3
    c = a + b
    return a, b, c

# 测试不同n值的运行时间
n_values = range(1, 1001, 50)  # n值从1到1000，步长为50
python_times = []
numpy_times = []

# 重复多次实验并计算平均运行时间
for n in n_values:
    # 测量常规Python实现的时间
    python_durations = []
    for _ in range(10):  # 重复10次
        start_time = time.time()
        vector_addition(n)
        end_time = time.time()
        python_durations.append(end_time - start_time)
    python_times.append(np.mean(python_durations))  # 计算平均时间

    # 测量NumPy实现的时间
    numpy_durations = []
    for _ in range(10):  # 重复10次
        start_time = time.time()
        vector_addition_numpy(n)
        end_time = time.time()
        numpy_durations.append(end_time - start_time)
    numpy_times.append(np.mean(numpy_durations))  # 计算平均时间

# 绘制实验结果
plt.figure(figsize=(10, 6))
plt.plot(n_values, python_times, label='Python (List)', marker='o')
plt.plot(n_values, numpy_times, label='NumPy', marker='s')
plt.xlabel('n (Size of Vectors)')
plt.ylabel('Average Time (seconds)')
plt.title('Performance Comparison: Python vs NumPy (Vector Addition)')
plt.legend()
plt.grid(True)
plt.show()

numpy(1)_入门

1 NumPy快速入门-安装 2 体验NumPy中的数组对象

1 NumPy快速入门-安装

2 体验NumPy中的数组对象

CATALOG

FEATURED TAGS

FRIENDS