NumPy 的目的是处理数组以及线性代数、傅里叶变换和矩阵。
译自What Is the NumPy Python Library and How Do You Use It?，作者 Jack Wallen。
NumPy代表 Numerical Python，是一个开源库，已成为科学和工程领域的宝贵工具。如果您需要在Python中处理数值数据，NumPy 应该是您的首选库。
NumPy 的目的是处理数组以及线性代数、傅里叶变换和矩阵。但是，为什么在 Python 已经拥有可以作为数组的列表的情况下还要使用 NumPy 呢？简单来说，就是速度。列表可能很慢，尤其是在处理较大的数据列表时（这在科学用例中非常常见）。
因此，有了 NumPy。
NumPy 比 Python 列表快 50 倍，因为它将数组存储在连续的内存块中，这意味着进程能够非常快地访问（和操作）这些信息。最重要的是，NumPy 经过优化以与现代 CPU 协同工作，因此它不仅受益于内存放置，还受益于多核/线程 CPU的速度。
不要认为 NumPy 仅对科学数据有用，因为它也可以用于通用数据的多维容器。您甚至可以定义任意数据类型，以便它可以与各种数据库集成。
现在您已经了解了 NumPy 的概念，让我们看看它是如何使用的。
您需要什么
您唯一需要的是安装了 Python 和Pip的操作系统。如果您没有安装 Pip，请不要担心，我会向您展示如何安装。我将在 Ubuntu Linux 上演示，因此如果您使用的是其他操作系统，则需要更改 Pip 安装命令。安装 Pip 后，其他所有内容都应该相当通用。
安装 Pip
安装 Pip 实际上非常简单。登录您的机器并打开一个终端窗口。在终端窗口中，发出以下命令：
sudo apt-get install python3-pip -y
对于使用 DNF 包管理器的操作系统，该命令将是：
sudo dnf install python3-pip -y
现在 Pip 已安装，是时候添加 NumPy 了。
在安装之前，您无法使用 NumPy。要安装它，您需要使用 Pip，如下所示：
pip install numpy
如果您发现无法使用 Pip 安装 NumPy（在 Ubuntu 24.04 中就是这种情况），还有另一种方法，它应该不会让您失望。为此，我们像这样返回到默认的包管理器：
sudo apt-get install python3-numpy -y
请注意，在 Fedora 基于的 Linux 发行版上安装 NumPy 使用pip install numpy命令可以正常工作。
无论哪种方式，您都应该能够使用上述任一命令安装 NumPy。
使用 NumPy
让我们看看 NumPy 是如何使用的。我们首先必须导入 NumPy 库，以便我们的应用程序可以使用它。这是通过以下方式完成的：
我们在上面所做的是导入 NumPy 并为它指定一个别名 (np)。接下来，让我们创建一个数组并将其分配给arr，如下所示：
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])如您所见，我们在这里使用了 NumPy 的array函数。
最后，我们使用以下命令打印我们的数组：
使用以下命令创建一个新文件：
将整个代码块粘贴到该文件中，它看起来像这样：
import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
print(arr)如果您运行上面的代码（使用命令python3 nu_array.py），输出将是：
非常简单。让我们借助 copy 参数来更复杂一些。
copy 参数
有时您可能想要复制一个数组。当您这样做时，您将使用copy参数。假设您有以下数组：
如果您要使用copy参数，它将创建该数组的精确副本。这可能看起来过于简单，但copy是一个非常重要的函数，因为您始终希望确保以最佳方式复制这些数组。
使用copy参数，有一个主要参数和两个可选参数，它们是：
- original_array– 这是主要参数，定义要复制的原始数组。
- order– 这是可选参数之一，控制数组中值的复制顺序。
- subok– 这是另一个可选参数，定义是否将任何子类复制到输出数组。
让我们使用copy。我在这里要给您抛出一些难题。
首先，我们将使用以下命令导入 NumPy：
接下来，我们使用start和stop参数（定义数组的起始位置和结束位置）创建一个 NumPy 数组，并将数组排列成 2 行 3 列（使用reshape）。我们的数组如下所示：
my_array = np.arange(start = 1, stop = 7).reshape(2,3)需要注意的是，使用reshape定义了数组中对象的个数。例如，如果您使用start =1, stop = 10和reshape(2,3)，您将收到以下错误：
ValueError: cannot reshape array of size 9 into shape (2,3)为什么呢？因为 2 行 3 列等于 6 个对象。如果您将形状更改为 (3,3)，则可以使用start=1, stop=10。这都是数学问题。
让我们使用以下代码打印数组（以便我们知道它目前的样子）：
到目前为止，我们的整个应用程序如下所示：
import numpy as np
my_array = np.arange(start = 1, stop = 7).reshape(2,3)
print(my_array)上面的输出将是：
[[1 2 3]
[4 5 6]]现在，让我们使用以下代码创建数组的副本：
copy_array = np.copy(my_array)我们的整个代码如下所示：
import numpy as np
my_array = np.arange(start = 1, stop = 7).reshape(2,3)
copy_array = np.copy(my_array)
print(my_array)
print(copy_array)输出将是：
[[1 2 3]
[4 5 6]]
[[1 2 3]
[4 5 6]]我们使用 copy 的原因是，如果我们只是使用类似 copied_array = my_array的代码，如果我们在定义了复制数组后更改原始数组中的值，则复制数组中的值也会发生更改。
请考虑以下情况：
import numpy as np
my_array = np.arange(start = 1, stop = 7).reshape(2,3)
bad_copy = my_array
copy_array = np.copy(my_array)
print(my_array)
print(copy_array)
my_array[-1,-1] = 100
print(my_array)
print(bad_copy)如果您运行上面的代码，两个数组都将打印为：
[[ 1 2 3]
[ 4 5 100]]
[[ 1 2 3]
[ 4 5 100]]错误的副本不应该发生更改。这就是我们使用copy的原因。
这就是 NumPy 的入门介绍。下次我们将深入探讨，因为 NumPy 还有更多技巧。
本文在云云众生（https://yylives.cc/）首发，欢迎大家访问。
