1 数组的数学运算
NumPy 提供了一系列用于数组运算的函数和操作符，这些运算可以作用于数组的每个元素上。常见的数学运算包括加、减、乘、除等。
1.1 元素级运算
NumPy 支持对数组的每个元素进行逐元素运算。这些操作可以通过标准的数学符号或 NumPy 函数来完成。
import numpy as np# 创建两个数组
a = np.array([1, 2, 3, 4])
b = np.array([10, 20, 30, 40])# 元素级加法
add_result = a + b
print("加法结果：", add_result)# 元素级减法
sub_result = a - b
print("减法结果：", sub_result)# 元素级乘法
mul_result = a * b
print("乘法结果：", mul_result)# 元素级除法
div_result = a / b
print("除法结果：", div_result)
1.2 幂运算和模运算
NumPy 还支持数组的幂运算和模运算，分别使用 ** 和 % 操作符。
# 幂运算
power_result = a ** 2
print("幂运算结果：", power_result)# 模运算
mod_result = b % 3
print("模运算结果：", mod_result)
1.3 数组的数学函数
NumPy 提供了丰富的数学函数库，用于计算数组中的常用数学操作，如平方根、对数、三角函数等。
# 计算平方根
sqrt_result = np.sqrt(a)
print("平方根：", sqrt_result)# 计算自然对数
log_result = np.log(a)
print("自然对数：", log_result)# 计算正弦值
sin_result = np.sin(a)
print("正弦值：", sin_result)
这些函数可以直接作用于数组的每个元素上，无需编写循环，能够极大提高代码的简洁性和执行效率。
2 数组与标量运算
NumPy 支持数组与标量之间的运算。标量可以与数组的每个元素进行加、减、乘、除等操作，这在数学建模和物理模拟中非常有用。
# 数组与标量加法
add_scalar = a + 5
print("数组与标量加法：", add_scalar)# 数组与标量乘法
mul_scalar = b * 2
print("数组与标量乘法：", mul_scalar)# 数组与标量除法
div_scalar = b / 10
print("数组与标量除法：", div_scalar)
数组与标量的运算会在内部自动将标量扩展为与数组相同的形状，从而进行逐元素操作，这就是 广播机制 的一部分内容，后面将详细介绍。
3 数组间的运算
NumPy 允许对两个形状相同的数组进行逐元素运算。常见的运算符如 +、-、*、/ 都可以用于两个数组之间。下面我们来看一些常见的数组间运算。
1 数组加法
# 创建两个形状相同的数组
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
arr2 = np.array([[10, 20, 30], [40, 50, 60]])# 逐元素加法
result_add = arr1 + arr2
print("数组加法结果：\n", result_add)
2 数组减法
# 逐元素减法
result_sub = arr2 - arr1
print("数组减法结果：\n", result_sub)
3 数组乘法和除法
# 逐元素乘法
result_mul = arr1 * arr2
print("数组乘法结果：\n", result_mul)# 逐元素除法
result_div = arr2 / arr1
print("数组除法结果：\n", result_div)
4 矩阵乘法
值得注意的是，* 运算符进行的是逐元素乘法，而 矩阵乘法 可以使用 dot() 函数或 @ 运算符。
# 进行矩阵乘法
result_dot = np.dot(arr1, arr2.T) # 使用转置使其适配矩阵乘法的规则
print("矩阵乘法结果：\n", result_dot)
矩阵乘法广泛应用于机器学习、神经网络和物理模拟等领域。
4 广播机制（Broadcasting）
广播机制 是 NumPy 的一项强大功能，它允许在不相同形状的数组之间进行运算。NumPy 会自动扩展较小的数组，以适应较大数组的形状，从而实现元素级运算。这种机制可以有效减少数据的冗余，提升代码效率。
4.1 广播的基本规则
广播机制遵循以下规则：
- 如果两个数组的维度不相同，则在低维数组的左边补齐维度，使得两个数组具有相同的维度数。
- 如果两个数组在某个维度上的长度不一致，则较短的数组会被扩展为较长的数组。如果其中一个数组的某个维度为 1，那么它将在计算时沿着这个维度进行复制。
4.2 广播实例
以下是一个简单的广播例子，一个一维数组与二维数组进行运算。
# 创建一个二维数组和一个一维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
arr1d = np.array([10, 20, 30])# 进行广播运算
broadcast_result = arr2d + arr1d
print("广播机制运算结果：\n", broadcast_result)
在这个例子中，arr1d 被扩展为与 arr2d 具有相同的形状，然后进行逐元素加法。
4.3 高级广播操作
在多维数组中，广播可以极大减少数据冗余。例如：
# 创建一个 3x1 的数组
arr_a = np.array([[1], [2], [3]])# 创建一个 1x3 的数组
arr_b = np.array([10, 20, 30])# 进行广播操作
broadcast_result = arr_a + arr_b
print("高级广播运算结果：\n", broadcast_result)
在这个例子中，arr_a 会沿着列方向扩展，arr_b 会沿着行方向扩展，最终得到一个 3x3 的矩阵。
5 特殊数组运算: 条件运算与逻辑运算
除了基本的数学运算，NumPy 还支持条件判断和逻辑运算，这在数据筛选和科学计算中非常有用。
5.1 条件运算
NumPy 支持对数组进行条件判断，返回布尔值数组。
arr = np.array([1, 2, 3, 4, 5])# 判断哪些元素大于 3
cond_result = arr > 3
print("大于 3 的元素：", cond_result)
5.2 数组筛选
可以根据条件运算结果进行数组筛选。
# 筛选大于 3 的元素
filtered_arr = arr[arr > 3]
print("筛选出的元素：", filtered_arr)
