标签
内容简介
本书是 DataCamp 系列速查表（Python for Data Science Cheat Sheet）中专门讲 NumPy 基础的那一页。它用一页篇幅列出科学计算库 NumPy 最常用的写法，阅读时不用从头学起，遇到具体问题可以快速查到对应写法。主要内容包括：按 `import numpy as np` 的惯例导入库；创建数组，如数组字面量、`zeros`、`ones`、`arange`、`linspace`、`full`、`eye`、`random.random`、`empty` 等；保存与读取数据（`save`、`savez`、`load`，以及文本文件的 `loadtxt`、`genfromtxt`、`savetxt`）；常用数据类型与类型转换；检查数组的属性（`shape`、`ndim`、`size`、`dtype`、`astype`）；算术运算与通用函数（加、减、乘、除、指数、开方、三角函数、对数、点积）；比较与聚合统计（`sum`、`min`、`max`、`cumsum`、`mean`、`median`、`std` 等）；数组变形与拼接拆分（`reshape`、`ravel`、`transpose`、`concatenate`、`vstack`、`hstack`、`split` 等）；以及一维到三维数组的示意图，帮助理解数组形状和坐标轴的含义。每段代码都配有一句简短说明，属于查询手册，不是教程。
编辑推荐
NumPy 的 API 不算多，但细节零碎：建数组的方法有好几种，axis 参数的方向容易记混，各种变形和拼接函数的差别也很难记住。这份速查表的优点在于把最常用的调用集中到一页上，并且每个都配了简短的英文注释和代码示例，可以打印出来贴在工位上，也可以放在第二块屏幕上，写代码时直接对照着查。读者最好已经学过 Python 基础语法。如果完全没接触过数组编程，只看这一页可能不够，建议配合教材或课程一起用；有基础的人用它来复习和提速，效果会更好。
适合谁读
适合
- 刚学完 Python 语法、准备入门 NumPy 的读者，可以对照速查表上手
- 经常写数据分析或科学计算代码、需要随手查函数用法的人
- 正在上网课或自学（如 DataCamp 课程）的读者，可把它当随堂参考
- 需要一页纸备忘、便于打印张贴的工程技术人员
不适合
- 没有 Python 基础、需要系统讲解和习题的读者
- 想深入理解广播机制、内存布局与性能原理的读者，这份材料只列用法不展开
阅读建议
- 先通读一遍，对建数组、索引、变形、聚合四类操作各挑一行跑一遍，确认环境能正常运行。
- 把速查表里的片段手敲进 Jupyter 并修改参数，观察 shape 和 dtype 的变化，记忆效果会比只看强得多。
- 把不熟悉的函数记进自己的笔记，再查 NumPy 官方文档的对应章节补充参数细节和示例。
- 和 Pandas 速查表对照着用，理解数组与数据框在索引、聚合上的差异。
常见问题
这份速查表和整套「Python数据科学速查表」是什么关系？
「Python数据科学速查表」是 DataCamp 发布的一系列单页速查材料，按主题分册，分别讲 NumPy、Pandas、Matplotlib、Seaborn 等。本书是其中讲 NumPy 基础的那一份，不是独立成书的教程。
需要先学完 Python 再学 NumPy 吗？
建议先掌握变量、列表、函数、循环等基础语法。速查表只列函数与写法，不解释语法，没有基础的话看起来会比较吃力。
这些内容是针对哪个 NumPy 版本？
原始速查表发布较早，部分写法（如 `np.string_`、`np.unicode_`）在新版 NumPy 中已弃用或移除。实际使用时请以当前官方文档为准，遇到报错先查版本变更。
打印出来有用吗？
有用。速查表本来就是一页纸的定位，打印贴在工位或夹在笔记本里，写代码时比对函数名和参数顺序都很方便，可以省去反复搜索的时间。
看完速查表下一步学什么？
可以继续看同一系列讲 Pandas 和 Matplotlib 的速查表，或者读 NumPy 官方用户指南中关于广播、索引和数组视图的章节，把用法背后的机制补上。
读者评论
查询本书
本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。
