NumPy
科学计算的Python利器
从ndarray到线性代数，从图像处理到信号分析，NumPy开启高效数值计算新纪元
高性能计算
向量化操作
广播机制
50×
性能提升
NumPy vs Python List
ndarray对象
N维数组的核心
数组创建
import numpy as np
# 从列表创建
arr = np.array([1, 2, 3, 4])
# 创建零数组
zeros = np.zeros((3, 4))
# 创建范围数组
range_arr = np.arange(0, 10, 2)
1-D
向量
N-D
张量
广播机制
智能形状匹配
广播规则示例
# 数组形状自动匹配
a = np.array([[1, 2, 3],
[4, 5, 6]]) # (2, 3)
b = np.array([10, 20, 30]) # (3,)
result = a + b # 广播后 (2, 3)
广播优势
无内存复制
Memory Efficient
向量化操作
Vectorized
通用函数
ufuncs
逐元素操作
Element-wise
广播支持
Broadcasting
类型转换
Type Casting
线性代数运算
矩阵操作与特征值分解
@
矩阵乘法
Matrix Multiply
λ
特征值
Eigenvalues
A⁻¹
矩阵求逆
Matrix Inverse
图像处理
灰度化与滤波
# RGB转灰度
gray = 0.299*R + 0.587*G + 0.114*B
# 图像滤波
filtered = np.convolve2d(image, kernel)
RGB
彩色图像
Gray
灰度图像
信号处理
傅里叶变换
# 快速傅里叶变换
freq_domain = np.fft.fft(signal)
# 逆变换
time_domain = np.fft.ifft(freq_domain)
时域
Time Domain
⇄
频域
Frequency Domain
性能对比与实际应用
数据驱动的科学计算优势展示
执行时间对比
内存使用效率
金融分析
股票价格序列分析，风险评估模型
科学研究
传感器数据处理，物理模拟计算
机器学习
特征工程，模型训练优化