NumPy（Numerical Python）是 Python 中用于科學計算的基礎庫，提供了高性能的多維數組對象、矩陣運算以及大量數學函數庫。其核心優勢在于通過向量化操作替代傳統循環，大幅提升計算效率，尤其適合處理大規模數據的算法實現。以下從算法核心、常用操作及經典算法案例展開介紹：

一、NumPy 算法核心：向量化與廣播機制

1.?向量化運算（Vectorization）

• 定義：無需循環即可對數組執行批量數學操作，底層由 C 語言實現，效率遠高于 Python 循環。
• 示例：

• mport numpy as np
  # 傳統循環計算數組平方
  arr = np.array([1, 2, 3, 4])
  result1 = []
  for x in arr:result1.append(x ** 2)
  # 向量化計算
  result2 = arr ** 2  # 直接對數組所有元素平方

• 優勢：避免 Python 解釋器的循環開銷，計算速度提升 10-100 倍。

2.?廣播機制（Broadcasting）

• 定義：允許不同形狀的數組進行運算時自動擴展維度，簡化矩陣運算邏輯。
• 規則：
  1. 從后往前比較數組維度，維度小的數組自動填充至與維度大的數組一致；
  2. 若某維度為 1，則沿該維度復制擴展。
• 示例：

  a = np.array([[1, 2], [3, 4]])  # 形狀(2,2)
  b = np.array([10, 20])         # 形狀(2,)
  c = a + b  # 廣播后b變為[[10,20],[10,20]]，結果形狀(2,2)

二、NumPy 常用算法操作

1.?數組運算算法

• 數學函數：np.sin()、np.exp()、np.log()（對數組元素逐元素計算）。
• 統計函數：np.mean()（均值）、np.std()（標準差）、np.percentile()（分位數）。
• 線性代數：np.dot()（矩陣乘法）、np.linalg.inv()（矩陣求逆）、np.linalg.eig()（特征值分解）。

2.?排序與搜索算法

• 排序：np.sort()（返回排序后數組）、np.argsort()（返回排序索引）。
• 搜索：np.where(arr > 0)（查找滿足條件的元素索引）、np.searchsorted()（二分查找插入位置）。

3.?傅里葉變換（FFT）

• 函數：np.fft.fft()（快速傅里葉變換）、np.fft.ifft()（逆變換），用于信號處理、圖像處理等。
• 示例：

t = np.linspace(0, 1, 1000)
signal = np.sin(2*np.pi*50*t) + 0.5*np.sin(2*np.pi*100*t)
fft_result = np.fft.fft(signal)
freq = np.fft.fftfreq(len(t), t[1]-t[0])  # 計算頻率軸

4.?隨機數生成與統計模擬

• 分布采樣：np.random.normal()（正態分布）、np.random.binomial()（二項分布）。
• 蒙特卡洛模擬：通過大量隨機樣本估算復雜問題，如用np.random.uniform()生成均勻隨機數計算 π 值。

三、經典算法案例：從原理到 NumPy 實現

1.?線性回歸（最小二乘法）

• 原理：通過最小化誤差平方和擬合線性模型?y=β0?+β1?x。
• NumPy 實現：

• def linear_regression(x, y):# 添加截距項X = np.column_stack((np.ones_like(x), x))# 最小二乘法公式：β = (X^T X)?1 X^T ybeta = np.linalg.inv(X.T @ X) @ X.T @ yreturn beta# 示例數據
  x = np.array([1, 2, 3, 4, 5])
  y = np.array([2.1, 3.9, 5.2, 7.0, 8.9])
  beta = linear_regression(x, y)  # 輸出截距和斜率

2.?K 最近鄰（KNN）算法

• 原理：通過計算樣本與訓練數據的距離，取最近的 K 個樣本的標簽進行投票分類。
• NumPy 實現（簡化版）：

• class KNN:def __init__(self, k=3):self.k = kdef fit(self, X, y):self.X_train = Xself.y_train = ydef predict(self, X_test):predictions = []for x in X_test:# 計算歐氏距離distances = np.sqrt(np.sum((self.X_train - x) **2, axis=1))# 取最近的k個樣本的標簽nearest_idx = np.argsort(distances)[:self.k]nearest_labels = self.y_train[nearest_idx]# 投票（取出現最多的標簽）pred = np.bincount(nearest_labels).argmax()predictions.append(pred)return np.array(predictions)

3.?快速排序（向量化優化）

• 傳統遞歸實現：效率受 Python 循環限制；
• NumPy 向量化思路：利用布爾索引替代遞歸劃分。
• 示例（非完整實現）：

• def vectorized_quicksort(arr):if len(arr) <= 1:return arrpivot = arr[0]# 向量化劃分less = arr[arr < pivot]equal = arr[arr == pivot]greater = arr[arr > pivot]return np.concatenate([vectorized_quicksort(less), equal, vectorized_quicksort(greater)])

四、NumPy 算法優化技巧

1. 避免頻繁創建數組：
   用np.zeros()預分配內存，替代多次np.append()。

2. result = np.zeros((1000, 1000))  # 預分配
   for i in range(1000):result[i] = compute_row(i)  # 直接賦值

1. 利用矩陣運算替代循環：
   例如計算協方差矩陣時，用np.cov()替代手動循環累加。

2. 使用 Numba 加速：
   對計算密集型函數，用@numba.jit編譯為機器碼，進一步提升性能。

3. import numba as nb@nb.jit(nopython=True)
   def compute_square(arr):return arr ** 2

?

1. 并行計算：
   結合np.parallel模塊或 Dask 庫，實現多線程 / 多節點數據處理。

五、NumPy 在算法領域的應用場景

• 科學計算：物理模擬、數值積分（np.trapz）、微分方程求解。
• 機器學習：特征工程（標準化np.std、歸一化np.linalg.norm）、模型訓練（矩陣運算）。
• 數據分析：統計分析、信號處理（FFT）、圖像處理（卷積np.convolve）。
• 深度學習底層：TensorFlow、PyTorch 等框架的底層數組操作依賴 NumPy（或類似結構）。

?

?

?

?

?

?