【Numpy核心編程攻略：Python數據處理、分析詳解與科學計算】1.1 從零搭建NumPy環境：安裝指南與初體驗

在這里插入圖片描述

1. 從零搭建NumPy環境：安裝指南與初體驗

NumPy核心能力圖解（架構圖）

NumPy 是 Python 中用于科學計算的核心庫，它提供了高效的多維數組對象以及用于處理這些數組的各種操作。NumPy 的核心能力可以概括為以下幾個方面：

高效數組操作：NumPy 數組（ndarray）比 Python 列表更高效，支持向量化操作。
數學函數：提供了豐富的數學函數，如三角函數、指數函數、對數函數等。
線性代數：支持矩陣運算、特征值分解、奇異值分解等。
隨機數生成：提供了多種隨機數生成器，用于模擬數據等。
廣播機制：支持不同形狀的數組之間的運算。
文件讀寫：支持多種文件格式的讀寫操作，如 .npy、.npz 等。
傅里葉變換：支持頻域和時域之間的轉換。
集合操作：支持集合的交集、并集、差集等操作。

下面是 NumPy 的架構圖：

Anaconda/Pip雙環境安裝指南（含版本選擇建議）

NumPy 可以通過多種方式安裝，其中最常用的兩種方式是使用 Anaconda 和 Pip。下面我們將詳細介紹這兩種方式的安裝步驟，并提供版本選擇建議。

1.1 使用 Anaconda 安裝 NumPy

步驟 1：下載 Anaconda

首先，訪問 Anaconda 官方網站并下載最新版本的 Anaconda。Anaconda 為不同的操作系統提供了不同的安裝包，確保選擇與你當前操作系統相匹配的版本。

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

步驟 2：安裝 Anaconda

按照下載的安裝包中的說明進行安裝。安裝過程中，建議選擇默認選項，特別是將 Anaconda 添加到系統路徑中。

步驟 3：創建并激活環境

打開 Anaconda Prompt（Windows）或終端（Mac/Linux），創建一個新的環境并激活它。

conda create -n numpy_env python=3.9  # 創建名為 numpy_env 的環境，并指定 Python 版本為 3.9
conda activate numpy_env             # 激活環境

步驟 4：安裝 NumPy

在激活的環境中，使用以下命令安裝 NumPy：

conda install numpy                  # 安裝 NumPy

1.2 使用 Pip 安裝 NumPy

步驟 1：安裝 Python

確保你的系統已經安裝了 Python。你可以從 Python 官方網站下載并安裝最新版本的 Python。

Windows：https://www.python.org/downloads/windows/
Mac：https://www.python.org/downloads/macos/
Linux：大多數 Linux 發行版已經預裝了 Python，如果沒有，可以使用包管理器安裝。

步驟 2：安裝 Pip

大多數情況下，Python 安裝時會自帶 Pip。你可以通過以下命令檢查 Pip 是否已安裝：

python -m pip --version               # 檢查 Pip 版本

如果沒有安裝，可以使用以下命令安裝：

python -m ensurepip --upgrade          # 安裝并升級 Pip

步驟 3：創建并激活虛擬環境

推薦使用虛擬環境來管理 Python 項目依賴。你可以使用 venv 模塊創建虛擬環境。

python -m venv numpy_env              # 創建名為 numpy_env 的虛擬環境
source numpy_env/bin/activate          # 激活環境（Linux/Mac）
numpy_env\Scripts\activate             # 激活環境（Windows）

步驟 4：安裝 NumPy

在激活的虛擬環境中，使用以下命令安裝 NumPy：

pip install numpy                     # 安裝 NumPy

三平臺安裝步驟對比表格

步驟	Anaconda	Pip
1. 下載	訪問 Anaconda 官方網站下載安裝包	確保系統已安裝 Python
2. 安裝	按照安裝包說明進行安裝	從 Python 官方網站下載并安裝
3. 創建環境	`conda create -n numpy_env python=3.9`	`python -m venv numpy_env`
4. 激活環境	`conda activate numpy_env`	`source numpy_env/bin/activate`（Linux/Mac） `numpy_env\Scripts\activate`（Windows）
5. 安裝 NumPy	`conda install numpy`	`pip install numpy`

驗證安裝的3種方法

1.3.1 終端命令驗證

方法 1：檢查 NumPy 版本

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

方法 2：列出已安裝的包

conda list numpy  # 列出 Anaconda 環境中已安裝的 NumPy 包
pip list | grep numpy  # 列出 Pip 環境中已安裝的 NumPy 包

1.3.2 Python 代碼驗證

方法 3：運行簡單的 NumPy 代碼

import numpy as np# 創建一個 3x3 的數組
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("創建的 3x3 數組:")
print(array)# 計算數組的平均值
mean_value = np.mean(array)
print("數組的平均值:", mean_value)

注釋：

# 導入 NumPy 庫，并將其別名為 np
import numpy as np# 創建一個 3x3 的數組
# np.array 是 NumPy 中用于創建數組的函數
# 傳入一個二維列表，其中每個子列表代表數組的一行
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("創建的 3x3 數組:")  # 打印數組
print(array)# 計算數組的平均值
# np.mean 是 NumPy 中用于計算平均值的函數
# 傳入數組作為參數
mean_value = np.mean(array)
print("數組的平均值:", mean_value)  # 打印平均值

常見安裝報錯解決方案（附錯誤截圖示例）

問題 1：Pip 安裝時報錯

錯誤示例：

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

解決方案：

確保你的網絡連接正常。
升級 Pip 到最新版本：
```
pip install --upgrade pip
```

如果仍然報錯，可以嘗試使用國內的鏡像源：

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

問題 2：Anaconda 安裝時報錯

錯誤示例：

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.

解決方案：

重啟 Anaconda Prompt 或終端。
清除緩存并重新安裝：
```
conda clean --all
conda install numpy
```

如果仍然報錯，可以嘗試使用國內的鏡像源：

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

問題 3：虛擬環境無法激活

錯誤示例：

source: command not found

解決方案：

確保你使用的是正確的激活命令。在 Windows 上使用 numpy_env\Scripts\activate，在 Linux/Mac 上使用 source numpy_env/bin/activate。
檢查虛擬環境目錄是否存在，并且路徑正確。

第一個NumPy程序：數組創建與基礎運算

1.4.1 創建數組

NumPy 提供了多種創建數組的方法，包括從列表創建、從文件讀取、隨機生成等。下面我們將介紹最常見的幾種方法。

1. 從列表創建數組

import numpy as np# 從列表創建一維數組
one_d_array = np.array([1, 2, 3, 4, 5])
print("一維數組:")
print(one_d_array)# 從列表創建二維數組
two_d_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("二維數組:")
print(two_d_array)

注釋：

# 導入 NumPy 庫，并將其別名為 np
import numpy as np# 從列表創建一維數組
# np.array 是 NumPy 中用于創建數組的函數
# 傳入一個一維列表，創建一個一維數組
one_d_array = np.array([1, 2, 3, 4, 5])
print("一維數組:")  # 打印一維數組
print(one_d_array)# 從列表創建二維數組
# 傳入一個二維列表，其中每個子列表代表數組的一行
two_d_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("二維數組:")  # 打印二維數組
print(two_d_array)

2. 從文件讀取數組

NumPy 支持從多種文件格式讀取數組，最常用的是 .npy 和 .npz 文件。

import numpy as np# 從 .npy 文件讀取數組
array_from_npy = np.load('array.npy')
print("從 .npy 文件讀取的數組:")
print(array_from_npy)# 從 .npz 文件讀取數組
data = np.load('data.npz')
array1 = data['array1']
array2 = data['array2']
print("從 .npz 文件讀取的數組1:")
print(array1)
print("從 .npz 文件讀取的數組2:")
print(array2)

注釋：

# 導入 NumPy 庫，并將其別名為 np
import numpy as np# 從 .npy 文件讀取數組
# np.load 是 NumPy 中用于從文件加載數組的函數
# 傳入文件路徑作為參數
array_from_npy = np.load('array.npy')
print("從 .npy 文件讀取的數組:")  # 打印從 .npy 文件讀取的數組
print(array_from_npy)# 從 .npz 文件讀取數組
# .npz 文件可以存儲多個數組
# 使用 np.load 讀取 .npz 文件
data = np.load('data.npz')
# 通過鍵值訪問存儲在 .npz 文件中的數組
array1 = data['array1']
array2 = data['array2']
print("從 .npz 文件讀取的數組1:")  # 打印數組1
print(array1)
print("從 .npz 文件讀取的數組2:")  # 打印數組2
print(array2)

3. 隨機生成數組

import numpy as np# 生成一個 3x3 的隨機數組，元素值在 0 到 1 之間
random_array = np.random.rand(3, 3)
print("隨機生成的 3x3 數組:")
print(random_array)# 生成一個 3x3 的隨機整數數組，元素值在 1 到 10 之間
random_int_array = np.random.randint(1, 10, (3, 3))
print("隨機生成的 3x3 整數數組:")
print(random_int_array)

注釋：

# 導入 NumPy 庫，并將其別名為 np
import numpy as np# 生成一個 3x3 的隨機數組，元素值在 0 到 1 之間
# np.random.rand 是 NumPy 中用于生成隨機數組的函數
# 傳入數組的形狀作為參數
random_array = np.random.rand(3, 3)
print("隨機生成的 3x3 數組:")  # 打印隨機數組
print(random_array)# 生成一個 3x3 的隨機整數數組，元素值在 1 到 10 之間
# np.random.randint 是 NumPy 中用于生成隨機整數數組的函數
# 傳入最小值、最大值和數組形狀作為參數
random_int_array = np.random.randint(1, 10, (3, 3))
print("隨機生成的 3x3 整數數組:")  # 打印隨機整數數組
print(random_int_array)

1.4.2 基礎運算

NumPy 提供了豐富的數組運算功能，包括加法、減法、乘法、除法、矩陣乘法等。下面我們將介紹一些常見的基礎運算。

1. 數組加法

import numpy as np# 創建兩個 3x3 的數組
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 計算兩個數組的加法
sum_array = array1 + array2
print("數組加法:")
print(sum_array)

注釋：

# 導入 NumPy 庫，并將其別名為 np
import numpy as np# 創建兩個 3x3 的數組
# np.array 是 NumPy 中用于創建數組的函數
# 傳入二維列表，每個子列表代表數組的一行
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 計算兩個數組的加法
# NumPy 支持直接使用 + 運算符進行數組加法
sum_array = array1 + array2
print("數組加法:")  # 打印結果
print(sum_array)

2. 數組減法

import numpy as np# 創建兩個 3x3 的數組
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 計算兩個數組的減法
diff_array = array1 - array2
print("數組減法:")
print(diff_array)

注釋：

# 導入 NumPy 庫，并將其別名為 np
import numpy as np# 創建兩個 3x3 的數組
# np.array 是 NumPy 中用于創建數組的函數
# 傳入二維列表，每個子列表代表數組的一行
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 計算兩個數組的減法
# NumPy 支持直接使用 - 運算符進行數組減法
diff_array = array1 - array2
print("數組減法:")  # 打印結果
print(diff_array)

3. 數組乘法

import numpy as np# 創建兩個 3x3 的數組
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 計算兩個數組的逐元素乘法
elementwise_product = array1 * array2
print("逐元素乘法:")
print(elementwise_product)# 計算兩個數組的矩陣乘法
matrix_product = np.dot(array1, array2)
print("矩陣乘法:")
print(matrix_product)

注釋：

# 導入 NumPy 庫，并將其別名為 np
import numpy as np# 創建兩個 3x3 的數組
# np.array 是 NumPy 中用于創建數組的函數
# 傳入二維列表，每個子列表代表數組的一行
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 計算兩個數組的逐元素乘法
# NumPy 支持直接使用 * 運算符進行數組的逐元素乘法
elementwise_product = array1 * array2
print("逐元素乘法:")  # 打印結果
print(elementwise_product)# 計算兩個數組的矩陣乘法
# np.dot 是 NumPy 中用于計算矩陣乘法的函數
# 傳入兩個數組作為參數
matrix_product = np.dot(array1, array2)
print("矩陣乘法:")  # 打印結果
print(matrix_product)

4. 數組除法

import numpy as np# 創建兩個 3x3 的數組
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 計算兩個數組的逐元素除法
elementwise_division = array1 / array2
print("逐元素除法:")
print(elementwise_division)

注釋：

# 導入 NumPy 庫，并將其別名為 np
import numpy as np# 創建兩個 3x3 的數組
# np.array 是 NumPy 中用于創建數組的函數
# 傳入二維列表，每個子列表代表數組的一行
array1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array2 = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])# 計算兩個數組的逐元素除法
# NumPy 支持直接使用 / 運算符進行數組的逐元素除法
elementwise_division = array1 / array2
print("逐元素除法:")  # 打印結果
print(elementwise_division)

5. 數組轉置

import numpy as np# 創建一個 3x3 的數組
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 計算數組的轉置
transposed_array = array.T
print("數組轉置:")
print(transposed_array)

注釋：

# 導入 NumPy 庫，并將其別名為 np
import numpy as np# 創建一個 3x3 的數組
# np.array 是 NumPy 中用于創建數組的函數
# 傳入二維列表，每個子列表代表數組的一行
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])# 計算數組的轉置
# .T 是 NumPy 數組的一個屬性，用于獲取數組的轉置
transposed_array = array.T
print("數組轉置:")  # 打印結果
print(transposed_array)

6. 數組重塑

import numpy as np# 創建一個 1x9 的數組
array = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])# 將數組重塑為 3x3 的數組
reshaped_array = array.reshape(3, 3)
print("重塑后的數組:")
print(reshaped_array)

注釋：

# 導入 NumPy 庫，并將其別名為 np
import numpy as np# 創建一個 1x9 的數組
# np.array 是 NumPy 中用于創建數組的函數
# 傳入一個一維列表
array = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])# 將數組重塑為 3x3 的數組
# .reshape 是 NumPy 數組的一個方法，用于改變數組的形狀
# 傳入新的形狀作為參數
reshaped_array = array.reshape(3, 3)
print("重塑后的數組:")  # 打印結果
print(reshaped_array)

參考文獻或資料

參考資料名稱	鏈接
NumPy 官方文檔	https://numpy.org/doc/
Anaconda 官方文檔	https://docs.anaconda.com/
Pip 官方文檔	https://pip.pypa.io/en/stable/
Python 官方文檔	https://docs.python.org/3/
NumPy 教程	https://www.datacamp.com/community/tutorials/python-numpy-tutorial
NumPy 入門指南	https://numpy.org/devdocs/user/quickstart.html
NumPy 環境搭建教程	https://www.geeksforgeeks.org/how-to-install-numpy-on-windows/
NumPy 學習筆記	https://www.jianshu.com/p/4e4d5c1e7e8b
NumPy 初學者教程	https://github.com/rougier/numpy-100
NumPy 常見問題解答	https://numpy.org/doc/stable/user/troubleshooting.html
NumPy 源碼分析	https://github.com/numpy/numpy
NumPy 速查表	https://www.kaggle.com/learn/overview
NumPy 實戰案例	https://www.tensorflow.org/tutorials/quickstart/beginner
NumPy 書籍推薦	https://www.springer.com/gp/book/9781484242452
NumPy 視頻教程	https://www.youtube.com/watch?v=QUT1VHiLmmI
NumPy 交互式學習	https://colab.research.google.com/