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 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。
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：
import numpy as np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：
print(arr) 使用以下命令创建一个新文件：
nano nu_array.py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：
[ 1 2 3 4 5 6 7 8 9 10]非常简单。让我们借助 copy 参数来更复杂一些。
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：
[ 1 2 3 4 5 6 7 8 9 10]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：
import numpy as np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）：
print(my_array)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。