NumPy 数组介绍

NumPy 的核心是其主要数据结构：N 维数组，常被称为 ndarray。可以将 ndarray 看作是包含相同数据类型（例如整数或浮点数）项目的网格或表格。这种一致性是 NumPy 运算如此之快的一个重要原因。

为什么不直接使用标准的 Python 列表呢？虽然 Python 列表很灵活，但它们并未针对整个数字集合的数值运算进行优化。对列表元素执行数学运算通常需要在 Python 中使用显式循环，这对于大型数据集可能很慢。此外，列表可以包含不同类型的元素，这增加了开销。

另一方面，NumPy 数组在内存中以更高效的方式存储（作为连续块），并且许多复杂操作（例如逐元素加法或乘法）由预编译的 C 代码在后台执行。这使得 NumPy 在机器学习 (machine learning)和数据分析中常见的数学计算方面速度非常快。

一个 ndarray 具有 shape 属性，它表示数组在每个维度上的大小，以及一个 dtype 属性，它描述了数组中元素的类型。

“N 维”的含义是数组可以有多个维度：

• 一维数组 类似于数字列表。在线性代数中，我们常用来表示向量 (vector)。
• 二维数组 类似于带有行和列的表格或网格。我们大量使用它们来表示矩阵。
• 数组可以有 3、4 甚至更多维度，这对于表示更复杂的数据（例如彩色图像（高度、宽度、颜色通道）或机器学习中的数据批次）很有用。

我们来看一个简单例子。要使用 NumPy，首先需要导入该库。标准做法是使用别名 np 导入它：

import numpy as np

# 从 Python 列表创建 NumPy 数组
list_a = [1, 2, 3, 4, 5]
vector_a = np.array(list_a)

# 打印数组及其类型
print(vector_a)
print(type(vector_a))

运行此代码将输出：

[1 2 3 4 5]
<class 'numpy.ndarray'>

请注意，输出 [1 2 3 4 5] 没有像 Python 列表那样的逗号。这是 NumPy 数组的标准表示方式。我们从一个简单的 Python 列表创建了一个一维数组（一个向量）。

这个 ndarray 对象是我们在 Python 中理解线性代数计算的根本。在接下来的部分中，我们将学习如何以各种方式创建数组、访问它们的元素、执行数学运算以及操作它们的形状。