🧑 博主簡介：阿里巴巴嵌入式技術專家，深耕嵌入式+人工智能領域，具備多年的嵌入式硬件產品研發管理經驗。

📒 博客介紹：分享嵌入式開發領域的相關知識、經驗、思考和感悟，歡迎關注。提供嵌入式方向的學習指導、簡歷面試輔導、技術架構設計優化、開發外包等服務，有需要可加文末聯系方式聯系。

💬 博主粉絲群介紹：① 群內高中生、本科生、研究生、博士生遍布，可互相學習，交流困惑。② 熱榜top10的常客也在群里，也有數不清的萬粉大佬，可以交流寫作技巧，上榜經驗，漲粉秘籍。③ 群內也有職場精英，大廠大佬，可交流技術、面試、找工作的經驗。④ 進群免費贈送寫作秘籍一份，助你由寫作小白晉升為創作大佬。⑤ 進群贈送CSDN評論防封腳本，送真活躍粉絲，助你提升文章熱度。有興趣的加文末聯系方式，備注自己的CSDN昵稱，拉你進群，互相學習共同進步。

1. 前言

NumPy，全稱為Numerical Python，是Python語言中最核心的科學計算包，它為大型多維數組和矩陣提供了高效的數據結構，以及大量的數學函數來操作這些數組。本文將深入探討NumPy中的線性代數模塊和隨機數生成模塊，通過示例代碼展示其強大功能，并在最后進行總結。

2. NumPy庫簡介

NumPy的核心是其N維數組對象ndarray，它允許對元素進行矢量化運算，大大提高了計算效率。此外，NumPy還提供了廣泛的數學函數，這些函數可以直接應用于數組上的每個元素，無需循環。這使得NumPy成為數據分析、機器學習、圖像處理等領域不可或缺的工具。

3. 線性代數模塊

3.1 numpy.dot — 矩陣乘法

numpy.dot函數用于計算兩個數組的點積或矩陣乘法。當輸入是一維數組時，它計算的是內積；對于二維數組（矩陣），則是標準的矩陣乘法。

示例代碼：

import numpy as np# 定義兩個矩陣
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])# 計算矩陣乘積
C = np.dot(A, B)
print("矩陣乘積 C:\n", C)

3.2 numpy.linalg — 矩陣分解

numpy.linalg子模塊提供了各種矩陣分解方法，如求逆、特征值、奇異值分解等。

示例代碼：

import numpy as np# 定義一個矩陣
A = np.array([[1, 2], [3, 4]])# 計算矩陣的逆
A_inv = np.linalg.inv(A)
print("矩陣 A 的逆:\n", A_inv)# 計算矩陣的特征值
eigenvalues, eigenvectors = np.linalg.eig(A)
print("矩陣 A 的特征值:\n", eigenvalues)

4. 隨機數模塊

numpy.random模塊提供了豐富的隨機數生成功能，支持多種概率分布。

4.1 numpy.random.uniform—均勻分布

使用numpy.random.uniform可以生成指定范圍內的均勻分布隨機數。

示例代碼：

import numpy as np# 生成10個[0, 1)區間內的均勻分布隨機數
uniform_numbers = np.random.uniform(size=10)
print("均勻分布隨機數:\n", uniform_numbers)

4.2 numpy.random.normal—正態分布

numpy.random.normal用于生成正態分布（高斯分布）的隨機數。

示例代碼：

import numpy as np# 生成10個均值為0，標準差為1的正態分布隨機數
normal_numbers = np.random.normal(loc=0, scale=1, size=10)
print("正態分布隨機數:\n", normal_numbers)

4.3 numpy.random.choice—隨機抽樣

numpy.random.choice用于從給定的一維數組中隨機抽取樣本。

示例代碼：

import numpy as np# 從數組[0, 1, ..., 9]中無放回抽取3個樣本
samples = np.random.choice(10, size=3, replace=False)
print("隨機抽樣結果:\n", samples)

4.4 numpy.random.shuffle—洗牌

numpy.random.shuffle用于打亂數組順序。

示例代碼：

import numpy as np# 創建一個數組并進行洗牌
array = np.arange(10)
np.random.shuffle(array)
print("洗牌后的數組:\n", array)

5. 總結

NumPy的線性代數和隨機數生成功能極大地擴展了Python在科學計算和數據處理方面的應用范圍。通過高效的矩陣運算和靈活的隨機數生成器，開發者能夠輕松實現復雜的數據分析和模型構建。無論是進行大規模數據的統計分析，還是構建機器學習算法的基礎，NumPy都扮演著至關重要的角色。掌握這些核心功能，將使你的Python編程之旅更加豐富多彩。