01 - NumPy基础¶

import numpy as np

# 为什么用NumPy？
# 1. 快速：C语言实现，比Python列表快10-100倍
# 2. 方便：向量化运算，不需要循环
# 3. 强大：丰富的数学函数

# 基本对比
import time

# Python列表
size = 1000000
python_list = list(range(size))
start = time.time()
result = [x * 2 for x in python_list]
print(f"Python列表: {time.time() - start:.4f}秒")

# NumPy数组
numpy_array = np.arange(size)
start = time.time()
result = numpy_array * 2
print(f"NumPy数组: {time.time() - start:.4f}秒")

import numpy as np

# 从列表创建
arr = np.array([1, 2, 3, 4, 5])
print(arr)  # [1 2 3 4 5]
print(type(arr))  # <class 'numpy.ndarray'>

# 多维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2d.shape)  # (2, 3) - 2行3列

# 常用创建方法
zeros = np.zeros((3, 4))        # 全0数组
ones = np.ones((2, 3))          # 全1数组
full = np.full((2, 3), 7)       # 填充特定值
random = np.random.random((2, 3))  # 随机数

# 序列
range_arr = np.arange(0, 10, 2)  # [0 2 4 6 8]
linspace = np.linspace(0, 1, 5)   # [0. 0.25 0.5 0.75 1.]

# 常用特殊数组
eye = np.eye(3)  # 单位矩阵

arr = np.array([[1, 2, 3], [4, 5, 6]])

print(arr.shape)      # (2, 3) 形状
print(arr.ndim)       # 2 维度
print(arr.size)       # 6 元素总数
print(arr.dtype)      # int64 数据类型
print(arr.itemsize)   # 8 每个元素大小（字节）

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

# 一维数组
print(arr[0])       # 1 第一个元素
print(arr[-1])      # 5 最后一个元素
print(arr[1:4])     # [2 3 4] 切片
print(arr[::2])     # [1 3 5] 每隔一个

# 二维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2d[0, 0])      # 1
print(arr2d[1, 2])      # 6
print(arr2d[0, :])      # [1 2 3] 第一行
print(arr2d[:, 0])      # [1 4 7] 第一列
print(arr2d[1:, 1:])    # [[5 6] [8 9]] 子矩阵

arr = np.array([1, 2, 3, 4, 5, 6])

# 条件筛选
mask = arr > 3
print(mask)           # [False False False True True True]
print(arr[mask])      # [4 5 6]

# 直接使用条件
evens = arr[arr % 2 == 0]  # [2 4 6]

# 多条件
filtered = arr[(arr > 2) & (arr < 6)]  # [3 4 5]

a = np.array([1, 2, 3, 4])
b = np.array([5, 6, 7, 8])

# 基本运算
print(a + b)      # [6 8 10 12]
print(a - b)      # [-4 -4 -4 -4]
print(a * b)      # [5 12 21 32]
print(a / b)      # [0.2 0.333 0.428 0.5]
print(a ** 2)     # [1 4 9 16]

# 标量运算
print(a + 10)     # [11 12 13 14]
print(a * 2)      # [2 4 6 8]

# 数学函数
print(np.sqrt(a))     # [1. 1.414 1.732 2.]
print(np.exp(a))      # 指数
print(np.log(a))      # 对数
print(np.sin(a))      # 三角函数

# 不同形状的数组可以运算
a = np.array([[1, 2, 3], [4, 5, 6]])  # (2, 3)
b = np.array([10, 20, 30])              # (3,)

# b会自动"广播"以匹配a的形状
print(a + b)
# [[11 22 33]
#  [14 25 36]]

# 标量会广播到所有元素
print(a * 10)
# [[10 20 30]
#  [40 50 60]]

arr = np.array([[1, 2, 3], [4, 5, 6]])

# 基本统计
print(arr.sum())           # 21 总和
print(arr.mean())          # 3.5 平均值
print(arr.std())           # 标准差
print(arr.var())           # 方差
print(arr.min())           # 1 最小值
print(arr.max())           # 6 最大值
print(arr.argmin())        # 0 最小值索引
print(arr.argmax())        # 5 最大值索引

# 沿轴操作
print(arr.sum(axis=0))     # [5 7 9] 列求和
print(arr.sum(axis=1))     # [6 15] 行求和
print(arr.mean(axis=0))    # [2.5 3.5 4.5] 列平均

arr = np.arange(12)  # [0 1 2 ... 11]

# 改变形状
reshaped = arr.reshape(3, 4)
# [[0 1 2 3]
#  [4 5 6 7]
#  [8 9 10 11]]

# 转置
transposed = reshaped.T

# 展平
flattened = reshaped.flatten()  # 返回副本
raveled = reshaped.ravel()      # 返回视图（可能）

# 拼接
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
concat = np.concatenate([a, b])  # [1 2 3 4 5 6]
vstack = np.vstack([a, b])       # 垂直堆叠
hstack = np.hstack([a, b])       # 水平堆叠

# 分割
arr = np.arange(12).reshape(3, 4)
split = np.split(arr, 3, axis=0)  # 按行分割

# ❌ 不好
result = []
for i in range(len(data)):
    if data[i] > 0:
        result.append(data[i] * 2)

# ✅ 好
result = data[data > 0] * 2

a = np.arange(10)
b = a[2:5]  # 视图，不是副本
b[0] = 100
print(a[2])  # 100！原数组被修改

# 如需副本，显式复制
c = a[2:5].copy()