1. NumPy是什么？

简单说：Python的“数据处理加速器”，核心是 ndarray多维数组（比列表快10-100倍），专门解决“列表运算慢、多维数据难处理”的问题。

2. 怎么装？怎么导？

一行代码安装：

1. pip install numpy

        代码里固定这么导（行业通用简写np）：

1. import numpy as np

二、5个核心

创建数组（3种最常用）

不用记太多，这3个够你应对80%需求：

1. import numpy as np
3. # 1. 从列表转数组（最常用）
4. arr1 = np.array([1,2,3,4]) # 1维
5. arr2 = np.array([[1,2],[3,4]]) # 2维（行×列）
6. print("2维数组：\n", arr2) # 输出 [[1 2],[3 4]]
8. # 2. 全0数组（初始化用）
9. zeros = np.zeros((2,3)) # 2行3列全0
10. print("\n全0数组：\n", zeros)
12. # 3. 连续数字数组（替代range）
13. arange_arr = np.arange(0, 10, 2) # 0到10，步长2
14. print("\n连续数组：", arange_arr) # 输出 [0 2 4 6 8]

数组基本属性

1. arr = np.array([[1,2,3],[4,5,6]]) # 2行3列
3. print("形状（行×列）：", arr.shape) # 输出 (2,3)
4. print("维度（几维）：", arr.ndim) # 输出 2（二维）
5. print("总元素数：", arr.size) # 输出 6（2×3）

数组运算

这是NumPy的核心优势——直接算，不写for循环：

1. a = np.array([1,2,3])
2. b = np.array([4,5,6])
4. # 1. 对应元素运算（加/减/乘/平方）
5. print("a+b：", a + b) # 输出 [5 7 9]
6. print("a*b：", a * b) # 输出 [4 10 18]
7. print("a平方：", a**2) # 输出 [1 4 9]
9. # 2. 数组×标量（所有元素都乘）
10. print("a×2：", a * 2) # 输出 [2 4 6]

统计分析

算总和、均值、最高分，用axis控制“按行/按列”：

• axis=1：按行算（比如每个学生的总分）
• axis=0：按列算（比如每门课的平均分）

1. # 5个学生，3门课成绩（行=学生，列=科目）
2. scores = np.array([[80,90,85],[75,88,92],[95,70,80],[88,92,78],[90,85,82]])
4. # 1. 按行算：每个学生的总分
5. student_total = scores.sum(axis=1)
6. print("每个学生总分：", student_total) # 输出 [255 255 245 258 257]
8. # 2. 按列算：每门课的平均分
9. subject_avg = scores.mean(axis=0)
10. print("每门课平均分：", subject_avg) # 输出 [85.6 85. 83.4]
12. # 3. 找最高分
13. max_score = scores.max()
14. print("全班最高分：", max_score) # 输出 95

切片（提取数据）

按“行切片, 列切片”提取数据，规则：左闭右开（比如0:2取第0、1行）：

1. scores = np.array([[80,90,85],[75,88,92],[95,70,80],[88,92,78],[90,85,82]])
3. # 1. 提取第2-3个学生（索引1、2）
4. print("第2-3个学生：\n", scores[1:3]) # 行切片1:3
6. # 2. 提取所有学生的第1门课（索引0）
7. print("所有学生第1门课：", scores[:, 0]) # 列切片0
9. # 3. 提取第1-2个学生的第2-3门课
10. print("子数据：\n", scores[0:2, 1:3]) # 行0:2，列1:3