1. 引言：走进NumPy的世界
欢迎来到Python科学计算的核心地带——NumPy！它就像一个拥有强大魔力的数学工具箱，专为处理多维数组而生，让你在数据分析、机器学习等领域如虎添翼。今天，我们将一起踏上这趟十步旅程，从零开始，轻松掌握NumPy的基础知识与操作技巧。
2. 教程1：安装与导入NumPy
首先，确保你的Python环境中已经安装了NumPy。打开命令行，输入以下命令：
pip install numpy
安装完成后，在Python脚本中导入NumPy库：
import numpy as np
记住，我们通常用np作为NumPy的别名，这样在后续代码中可以更简洁地调用其功能。
3. 教程2：认识NumPy数组——创建与属性
NumPy的核心是“数组”（Array）。创建一个简单的整数数组：
arr = np.array([1, 2, 3, 4, 5])
print(arr)
运行这段代码，你会看到输出：
[1 2 3 4 5]
数组有多种属性，如形状（shape）、维度（ndim）和数据类型（dtype）：
```python
print("Shape:", arr.shape)
print("Dimensions:", arr.ndim)
print("Data type:", arr.dtype)
这将揭示数组的尺寸信息和数据类型。
4. 教程3：数组索引与切片，轻松定位数据
访问数组元素就像访问列表一样简单：
print("First element:", arr[0]) # 输出：1
切片操作同样适用：
slice_arr = arr[1:4] # 获取第二个至第四个元素
print(slice_arr) # 输出：[2 3 4]
5. 教程4：数组运算：算术、逻辑与比较
NumPy数组支持丰富的算术运算：
# 加法
result_add = arr + 2
print(result_add)
# 乘法
result_mul = arr * 2
print(result_mul)
# 等于
result_eq = arr == 3
print(result_eq)
这些运算会逐元素进行，结果仍为数组。
6. 教程5：广播机制：大小不同的数组间高效运算
即使数组大小不同，NumPy也能通过“广播”巧妙地完成运算：
small_arr = np.array([1, 2, 3])
broadcast_result = small_arr + arr
print(broadcast_result)
广播将小数组自动扩展到与大数组匹配的形状，然后进行对应元素的运算。
7. 教程6：统计分析：快速掌握数组摘要信息
NumPy提供了一组便捷函数，用于计算数组的各种统计指标：
print("Minimum:", np.min(arr))
print("Maximum:", np.max(arr))
print("Mean:", np.mean(arr))
print("Standard Deviation:", np.std(arr))
这些函数让你瞬间获得数据集的关键统计信息。
8. 教程7：重塑与拼接：灵活调整数组形状
重塑（reshape）改变数组的形状而不改变数据内容：
reshaped_arr = arr.reshape(2, 3)
print(reshaped_arr)
拼接（concatenate）则可以将多个数组按指定轴合并：
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
concatenated = np.concatenate((arr1, arr2), axis=0)
print(concatenated)
9. 教程8：排序与筛选：有序数据，手到擒来
对数组进行排序：
sorted_arr = np.sort(arr)
print(sorted_arr)
筛选满足条件的元素：
condition = arr > 3
filtered_arr = arr[condition]
print(filtered_arr)
10. 教程9：文件I/O：读写CSV等数据文件
NumPy内置函数可方便读取和保存CSV等数据文件：
data = np.genfromtxt('example.csv', delimiter=',')
np.savetxt('output.csv', data, delimiter=',')