【Numpy核心编程攻略：Python数据处理、分析详解与科学计算】1.1 从零搭建NumPy环境：安装指南与初体验

1. 从零搭建NumPy环境：安装指南与初体验

NumPy核心能力图解（架构图）

NumPy 是 Python 中用于科学计算的核心库，它提供了高效的多维数组对象以及用于处理这些数组的各种操作。NumPy 的核心能力可以概括为以下几个方面：

• 高效数组操作：NumPy 数组（ndarray）比 Python 列表更高效，支持向量化操作。
• 数学函数：提供了丰富的数学函数，如三角函数、指数函数、对数函数等。
• 线性代数：支持矩阵运算、特征值分解、奇异值分解等。
• 随机数生成：提供了多种随机数生成器，用于模拟数据等。
• 广播机制：支持不同形状的数组之间的运算。
• 文件读写：支持多种文件格式的读写操作，如 .npy、.npz 等。
• 傅里叶变换：支持频域和时域之间的转换。
• 集合操作：支持集合的交集、并集、差集等操作。

下面是 NumPy 的架构图：

Anaconda/Pip双环境安装指南（含版本选择建议）

NumPy 可以通过多种方式安装，其中最常用的两种方式是使用 Anaconda 和 Pip。下面我们将详细介绍这两种方式的安装步骤，并提供版本选择建议。

1.1 使用 Anaconda 安装 NumPy

步骤 1：下载 Anaconda

首先，访问 Anaconda 官方网站并下载最新版本的 Anaconda。Anaconda 为不同的操作系统提供了不同的安装包，确保选择与你当前操作系统相匹配的版本。

• Windows：https://www.anaconda.com/products/distribution#download-section
• Mac：https://www.anaconda.com/products/distribution#download-section
• Linux：https://www.anaconda.com/products/distribution#download-section

步骤 2：安装 Anaconda

按照下载的安装包中的说明进行安装。安装过程中，建议选择默认选项，特别是将 Anaconda 添加到系统路径中。

步骤 3：创建并激活环境

打开 Anaconda Prompt（Windows）或终端（Mac/Linux），创建一个新的环境并激活它。

conda create -n numpy_env python=3.9  # 创建名为 numpy_env 的环境，并指定 Python 版本为 3.9
conda activate numpy_env             # 激活环境

步骤 4：安装 NumPy

在激活的环境中，使用以下命令安装 NumPy：

conda install numpy                  # 安装 NumPy

1.2 使用 Pip 安装 NumPy

步骤 1：安装 Python

确保你的系统已经安装了 Python。你可以从 Python 官方网站下载并安装最新版本的 Python。

• Windows：https://www.python.org/downloads/windows/
• Mac：https://www.python.org/downloads/macos/
• Linux：大多数 Linux 发行版已经预装了 Python，如果没有，可以使用包管理器安装。

步骤 2：安装 Pip

大多数情况下，Python 安装时会自带 Pip。你可以通过以下命令检查 Pip 是否已安装：

python -m pip --version               # 检查 Pip 版本

如果没有安装，可以使用以下命令安装：

python -m ensurepip --upgrade          # 安装并升级 Pip

步骤 3：创建并激活虚拟环境

推荐使用虚拟环境来管理 Python 项目依赖。你可以使用 venv 模块创建虚拟环境。

python -m venv numpy_env              # 创建名为 numpy_env 的虚拟环境
source numpy_env/bin/activate          # 激活环境（Linux/Mac）
numpy_env\Scripts\activate             # 激活环境（Windows）

步骤 4：安装 NumPy

在激活的虚拟环境中，使用以下命令安装 NumPy：

pip install numpy                     # 安装 NumPy

三平台安装步骤对比表格

验证安装的3种方法

1.3.1 终端命令验证

方法 1：检查 NumPy 版本

python -c "import numpy as np; print(np.__version__)"  # 检查 NumPy 版本

方法 2：列出已安装的包

conda list numpy  # 列出 Anaconda 环境中已安装的 NumPy 包
pip list | grep numpy  # 列出 Pip 环境中已安装的 NumPy 包

1.3.2 Python 代码验证

方法 3：运行简单的 NumPy 代码

import numpy as np

# 创建一个 3x3 的数组
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("创建的 3x3 数组:")
print(array)

# 计算数组的平均值
mean_value = np.mean(array)
print("数组的平均值:", mean_value)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np

# 创建一个 3x3 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入一个二维列表，其中每个子列表代表数组的一行
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("创建的 3x3 数组:")  # 打印数组
print(array)

# 计算数组的平均值
# np.mean 是 NumPy 中用于计算平均值的函数
# 传入数组作为参数
mean_value = np.mean(array)
print("数组的平均值:", mean_value)  # 打印平均值

常见安装报错解决方案（附错误截图示例）

问题 1：Pip 安装时报错

错误示例：

ERROR: Could not find a version that satisfies the requirement numpy (from versions: none)
ERROR: No matching distribution found for numpy

解决方案：

1. 确保你的网络连接正常。

2. 升级 Pip 到最新版本：

   pip install --upgrade pip
   

3. 如果仍然报错，可以尝试使用国内的镜像源：

   pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
   

问题 2：Anaconda 安装时报错

错误示例：

Solving environment: failed with initial frozen solve. Retrying with flexible solve.
Solving environment: failed with repodata from current_repodata.json, will retry with next repodata source.

解决方案：

1. 重启 Anaconda Prompt 或终端。

2. 清除缓存并重新安装：

   conda clean --all
   conda install numpy
   

3. 如果仍然报错，可以尝试使用国内的镜像源：

   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
   conda install numpy
   

问题 3：虚拟环境无法激活

错误示例：

source: command not found

解决方案：

1. 确保你使用的是正确的激活命令。在 Windows 上使用 numpy_env\Scripts\activate，在 Linux/Mac 上使用 source numpy_env/bin/activate。
2. 检查虚拟环境目录是否存在，并且路径正确。

第一个NumPy程序：数组创建与基础运算

1.4.1 创建数组

NumPy 提供了多种创建数组的方法，包括从列表创建、从文件读取、随机生成等。下面我们将介绍最常见的几种方法。

1. 从列表创建数组

import numpy as np

# 从列表创建一维数组
one_d_array = np.array([1, 2, 3, 4, 5])
print("一维数组:")
print(one_d_array)

# 从列表创建二维数组
two_d_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("二维数组:")
print(two_d_array)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np

# 从列表创建一维数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入一个一维列表，创建一个一维数组
one_d_array = np.array([1, 2, 3, 4, 5])
print("一维数组:")  # 打印一维数组
print(one_d_array)

# 从列表创建二维数组
# 传入一个二维列表，其中每个子列表代表数组的一行
two_d_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("二维数组:")  # 打印二维数组
print(two_d_array)

2. 从文件读取数组

NumPy 支持从多种文件格式读取数组，最常用的是 .npy 和 .npz 文件。

import numpy as np

# 从 .npy 文件读取数组
array_from_npy = np.load('array.npy')
print("从 .npy 文件读取的数组:")
print(array_from_npy)

# 从 .npz 文件读取数组
data = np.load('data.npz')
array1 = data['array1']
array2 = data['array2']
print("从 .npz 文件读取的数组1:")
print(array1)
print("从 .npz 文件读取的数组2:")
print(array2)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np

# 从 .npy 文件读取数组
# np.load 是 NumPy 中用于从文件加载数组的函数
# 传入文件路径作为参数
array_from_npy = np.load('array.npy')
print("从 .npy 文件读取的数组:")  # 打印从 .npy 文件读取的数组
print(array_from_npy)

# 从 .npz 文件读取数组
# .npz 文件可以存储多个数组
# 使用 np.load 读取 .npz 文件
data = np.load('data.npz')
# 通过键值访问存储在 .npz 文件中的数组
array1 = data['array1']
array2 = data['array2']
print("从 .npz 文件读取的数组1:")  # 打印数组1
print(array1)
print("从 .npz 文件读取的数组2:")  # 打印数组2
print(array2)

3. 随机生成数组

import numpy as np

# 生成一个 3x3 的随机数组，元素值在 0 到 1 之间
random_array = np.random.rand(3, 3)
print("随机生成的 3x3 数组:")
print(random_array)

# 生成一个 3x3 的随机整数数组，元素值在 1 到 10 之间
random_int_array = np.random.randint(1, 10, (3, 3))
print("随机生成的 3x3 整数数组:")
print(random_int_array)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np

# 生成一个 3x3 的随机数组，元素值在 0 到 1 之间
# np.random.rand 是 NumPy 中用于生成随机数组的函数
# 传入数组的形状作为参数
random_array = np.random.rand(3, 3)
print("随机生成的 3x3 数组:")  # 打印随机数组
print(random_array)

# 生成一个 3x3 的随机整数数组，元素值在 1 到 10 之间
# np.random.randint 是 NumPy 中用于生成随机整数数组的函数
# 传入最小值、最大值和数组形状作为参数
random_int_array = np.random.randint(1, 10, (3, 3))
print("随机生成的 3x3 整数数组:")  # 打印随机整数数组
print(random_int_array)

1.4.2 基础运算

NumPy 提供了丰富的数组运算功能，包括加法、减法、乘法、除法、矩阵乘法等。下面我们将介绍一些常见的基础运算。

1. 数组加法

import numpy as np

# 创建两个 3x3 的数组
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])

# 计算两个数组的加法
sum_array = array1 + array2
print("数组加法:")
print(sum_array)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np

# 创建两个 3x3 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入二维列表，每个子列表代表数组的一行
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])

# 计算两个数组的加法
# NumPy 支持直接使用 + 运算符进行数组加法
sum_array = array1 + array2
print("数组加法:")  # 打印结果
print(sum_array)

2. 数组减法

import numpy as np

# 创建两个 3x3 的数组
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])

# 计算两个数组的减法
diff_array = array1 - array2
print("数组减法:")
print(diff_array)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np

# 创建两个 3x3 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入二维列表，每个子列表代表数组的一行
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])

# 计算两个数组的减法
# NumPy 支持直接使用 - 运算符进行数组减法
diff_array = array1 - array2
print("数组减法:")  # 打印结果
print(diff_array)

3. 数组乘法

import numpy as np

# 创建两个 3x3 的数组
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])

# 计算两个数组的逐元素乘法
elementwise_product = array1 * array2
print("逐元素乘法:")
print(elementwise_product)

# 计算两个数组的矩阵乘法
matrix_product = np.dot(array1, array2)
print("矩阵乘法:")
print(matrix_product)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np

# 创建两个 3x3 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入二维列表，每个子列表代表数组的一行
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])

# 计算两个数组的逐元素乘法
# NumPy 支持直接使用 * 运算符进行数组的逐元素乘法
elementwise_product = array1 * array2
print("逐元素乘法:")  # 打印结果
print(elementwise_product)

# 计算两个数组的矩阵乘法
# np.dot 是 NumPy 中用于计算矩阵乘法的函数
# 传入两个数组作为参数
matrix_product = np.dot(array1, array2)
print("矩阵乘法:")  # 打印结果
print(matrix_product)

4. 数组除法

import numpy as np

# 创建两个 3x3 的数组
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])

# 计算两个数组的逐元素除法
elementwise_division = array1 / array2
print("逐元素除法:")
print(elementwise_division)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np

# 创建两个 3x3 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入二维列表，每个子列表代表数组的一行
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])

# 计算两个数组的逐元素除法
# NumPy 支持直接使用 / 运算符进行数组的逐元素除法
elementwise_division = array1 / array2
print("逐元素除法:")  # 打印结果
print(elementwise_division)

5. 数组转置

import numpy as np

# 创建一个 3x3 的数组
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 计算数组的转置
transposed_array = array.T
print("数组转置:")
print(transposed_array)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np

# 创建一个 3x3 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入二维列表，每个子列表代表数组的一行
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 计算数组的转置
# .T 是 NumPy 数组的一个属性，用于获取数组的转置
transposed_array = array.T
print("数组转置:")  # 打印结果
print(transposed_array)

6. 数组重塑

import numpy as np

# 创建一个 1x9 的数组
array = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])

# 将数组重塑为 3x3 的数组
reshaped_array = array.reshape(3, 3)
print("重塑后的数组:")
print(reshaped_array)

注释：

# 导入 NumPy 库，并将其别名为 np
import numpy as np

# 创建一个 1x9 的数组
# np.array 是 NumPy 中用于创建数组的函数
# 传入一个一维列表
array = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])

# 将数组重塑为 3x3 的数组
# .reshape 是 NumPy 数组的一个方法，用于改变数组的形状
# 传入新的形状作为参数
reshaped_array = array.reshape(3, 3)
print("重塑后的数组:")  # 打印结果
print(reshaped_array)

参考文献或资料

希望这篇文章能帮助你成功地搭建 NumPy 环境并进行初体验。这篇文章包含了详细的原理介绍、代码示例、源码注释以及案例等。希望这对您有帮助。如果有任何问题请随私信或评论告诉我。