NumPy（Numerical Python） 是 Python 生态中高性能数值计算的基石库，核心提供 ndarray（多维数组对象） 与基于数组的矢量化运算、广播、线性代数、统计、傅里叶、随机数等能力，底层用 C 实现，远快于原生 Python 循环。下面按函数功能分类 + 适用方向 + 典型场景详细说明。
一、数组创建与初始化（数据准备）
核心函数
np.array()：从列表 / 元组 / 序列生成 ndarraynp.zeros() / ones() / empty() / full()：全 0、全 1、空、指定值数组np.arange() / linspace() / logspace()：等差、等间隔、对数序列np.eye() / identity()：单位矩阵np.random.rand() / randn() / normal() / randint()：均匀 / 正态 / 整数随机数np.fromfunction() / fromfile()：函数 / 文件生成数组
适用方向
- 数据初始化、模拟数据集、占位、测试用例
- 机器学习 / 深度学习：权重、偏置、输入张量初始化
- 科学仿真：网格、参数扫描、蒙特卡洛样本
示例
import numpy as np
arr = np.array([1,2,3])
zeros = np.zeros((3,4))
x = np.linspace(0, 1, 100) # 0→1 100点
rand = np.random.normal(0, 1, size=(1000, 20))
二、数组结构与维度操作（形状 / 索引 / 切片 / 拼接）
核心函数
- 形状变换：
reshape() / ravel() / flatten() / transpose() / T / swapaxes() - 拼接 / 拆分：
concatenate() / stack() / hstack() / vstack() / split() / hsplit() / vsplit() - 增删：
append() / insert() / delete() / resize() - 去重 / 排序：
unique() / sort() / argsort() - 索引 / 掩码：
[] / where() / nonzero() / take() / extract()
适用方向
- 数据清洗、重塑、特征工程、维度对齐
- 图像 / 时序：裁剪、翻转、通道交换、分块
- 表格 / 矩阵：行列拼接、筛选、去重、排序
示例
img = np.random.rand(256,256,3)
gray = img.mean(axis=2)
img_rot = img.transpose(1,0,2) # 转置
mask = img > 0.5
img[mask] = 1
三、数学函数（矢量化运算）
核心函数
- 基础运算：
add() / subtract() / multiply() / divide() / power() / mod() - 三角函数：
sin() / cos() / tan() / arcsin() / deg2rad() / rad2deg() - 指数 / 对数：
exp() / log() / log2() / log10() / sqrt() / cbrt() - 取整 / 符号：
round() / floor() / ceil() / trunc() / abs() / sign() - 广播机制：不同形状数组自动对齐维度运算
适用方向
- 大规模逐元素计算（替代 Python 循环）
- 信号 / 波形生成、物理方程、几何计算、归一化
- 特征变换：对数、幂、标准化、非线性映射
示例
x = np.linspace(0, 2*np.pi, 1000)
y = np.sin(x) + 0.1*np.random.randn(1000)
z = np.exp(-x**2/2)
四、统计函数（描述性统计）
核心函数
- 集中趋势：
mean() / median() / average() - 离散程度：
std() / var() / min() / max() / ptp() / percentile() / quantile() - 协方差 / 相关：
cov() / corrcoef() - 按轴计算：
axis=0列、axis=1行
适用方向
- 数据探索、EDA、质量监控、异常检测
- 金融：收益 / 风险、波动率、VaR、回撤统计
- 实验数据：均值、误差、置信区间、显著性
示例
data = np.random.randn(1000, 5)
mu = data.mean(axis=0)
sigma = data.std(axis=0)
z = (data - mu) / sigma # 标准化
五、线性代数（np.linalg）
核心函数
- 矩阵乘法：
dot() / matmul() / @ - 逆 / 伪逆：
inv() / pinv() - 行列式 / 秩：
det() / matrix_rank() - 特征值 / 特征向量：
eig() / eigh() - 分解：
svd() / qr() / cholesky() - 求解线性方程组：
solve() / lstsq()
适用方向
- 机器学习：线性回归、PCA、SVD、矩阵分解、优化
- 计算机视觉：投影、几何变换、相机标定
- 工程 / 物理：有限元、动力学、控制系统
- 金融：资产配置、风险模型、协方差矩阵、马科维茨
示例
A = np.array([[1,2],[3,5]])
b = np.array([1,2])
x = np.linalg.solve(A, b)
eig_vals, eig_vecs = np.linalg.eig(A)
U, S, VT = np.linalg.svd(A)
六、傅里叶变换（np.fft）
核心函数
fft() / ifft() / fft2() / ifft2() / fftfreq()
适用方向
- 信号处理：滤波、去噪、频谱分析、卷积
- 图像处理：频域滤波、压缩、边缘检测、JPEG/MPEG 基础
- 时序：周期检测、降噪、特征提取
示例
sig = np.sin(2*np.pi*50*np.linspace(0,1,1024)) + 0.5*np.random.randn(1024)
f = np.fft.fft(sig)
freq = np.fft.fftfreq(1024, 1/1024)
f[np.abs(freq) > 60] = 0
sig_filt = np.fft.ifft(f).real
七、随机数与采样（np.random）
核心函数
- 分布：
rand() / randn() / normal() / uniform() / poisson() / binomial() - 重排 / 采样：
shuffle() / permutation() / choice() - 种子：
seed() / RandomState
适用方向
- 蒙特卡洛模拟、随机优化、贝叶斯、强化学习
- 数据增强、噪声注入、过采样 / 欠采样、交叉验证
- 测试、初始化、随机搜索、合成数据
示例
rng = np.random.RandomState(42)
samples = rng.normal(5, 2, size=10000)
idx = rng.choice(1000, size=100, replace=False)
八、文件 I/O
核心函数
save() / load() / savez() / savetxt() / loadtxt()
适用方向
- 数组持久化、数据集存储、中间结果缓存
- 与 MATLAB/R/ 其他工具交换 .npy/.npz/.txt
九、NumPy 主要适用领域
-
机器学习与深度学习
- 特征工程、标准化、PCA、SVD、矩阵运算
- TensorFlow/PyTorch 底层数组兼容
- 神经网络前向 / 反向传播、梯度计算
-
数据分析与 Pandas 生态
- Pandas 底层基于 ndarray
- 批量数值计算、缺失值、过滤、聚合
-
计算机视觉与图像处理
- 图像 = 三维数组 (H, W, C)
- 裁剪、旋转、滤波、颜色空间、几何变换
-
信号与音频处理
- FFT、滤波、频谱、卷积、降噪、特征提取
-
科学计算与工程仿真
- 物理、力学、流体、电磁、有限元、微分方程
- 天文学、量子计算、生物信息、计算化学NumPy
-
金融量化
- 时序分析、波动率、协方差、资产配置、回测、蒙特卡洛
十、核心优势总结
- 速度：矢量化 + C 内核，比纯 Python 快 10–1000 倍
- 内存：连续存储、同类型、紧凑、高效
- 简洁：一行替代复杂循环，代码清晰
- 生态：Pandas、SciPy、Scikit-learn、Matplotlib、TensorFlow/PyTorch 基础
十一、与其他库的关系
- NumPy：底层数组 + 数值计算
- SciPy：在 NumPy 之上：积分、优化、插值、信号、统计高级方法
- Pandas：表格 / 时序（DataFrame），底层 NumPy
- Scikit-learn：机器学习 API，输入输出均为 NumPy 数组
- Matplotlib/Seaborn：绘图输入为 NumPy 数组
总结
NumPy 是 Python 数值计算的基础设施：
- 函数覆盖：创建 → 结构 → 数学 → 统计 → 线性代数 → FFT → 随机 → I/O
- 适用方向：机器学习、数据分析、图像处理、信号处理、科学仿真、金融量化
- 定位：高效、通用、底层支撑，几乎所有数据 / AI / 科学库都依赖 NumPy
