Python 科学计算：利用 NumPy 加速数值运算

1. 引言

浩瀚的宇宙、复杂的流体、金融市场的波动，这些现象都蕴藏着海量的数据和复杂的规律。为了探索这些奥秘，科学家和工程师们需要借助计算机进行模拟、分析和预测。Python，以其简洁易懂的语法和丰富的第三方库，成为了科学计算领域的一把利器。然而，作为解释型语言，Python 本身执行效率的局限性，尤其在处理大规模数值运算时，性能可能成为瓶颈。

NumPy (Numerical Python) 应运而生，成为了 Python 科学计算的基石。它提供了高性能的多维数组对象 (ndarray) 和丰富的函数，能够显著提升数值运算速度。有了 NumPy，Python 就像插上了翅膀，可以更高效地处理海量数据，探索科学世界的奥秘。

2. NumPy 数组：高性能计算的基础

NumPy 数组 (ndarray) 是 Python 高性能计算的基础。与 Python 内置的列表不同，NumPy 数组具有以下特点：

• 同质性: 数组中所有元素必须是相同的数据类型，例如整数、浮点数等。这种数据类型的统一性简化了数据存储，避免了类型检查的开销，并为向量化操作创造了条件。
• 多维性: NumPy 数组可以表示向量、矩阵、多维张量等数据结构，为科学计算提供了灵活的数据表示形式，能够更自然地表达科学计算中的各种问题。
• 高效的存储: NumPy 数组将数据存储在连续的内存块中，有利于 CPU 快速访问和处理数据，减少内存访问时间，从而提升运算速度。

2.1 NumPy 数组的创建

NumPy 提供了多种创建数组的方法，方便用户根据不同的需求生成数组：

• 从列表或元组创建数组: np.array() 函数可以将 Python 列表或元组转换为 NumPy 数组。

import numpy as np

# 从列表创建数组
a = np.array([1, 2, 3, 4])
print(f"a: {
     
     a}")

# 从元组创建数组
b = np.array((5, 6, 7, 8))
print(f"b: {
     
     b}")

• 使用 NumPy 函数创建特定类型的数组: NumPy 提供了许多函数用于创建特定类型的数组，例如：

  • np.zeros(): 创建全零数组
  • np.ones(): 创建全一数组
  • np.arange(): 创建等差数列
  • np.linspace(): 创建等间距数列
  • np.random.rand(): 创建均匀分布的随机数数组
  • np.random.randn(): 创建标准正态分布的随机数数组

import numpy as np

# 创建全零数组
a = np.zeros(5)
print(f"a: {
     
     a}")

# 创建全一数组
b = np.ones((2, 3))
print(f"b: \n{
     
     b}")

# 创建等差数列
c = np.arange(1, 10, 2)
print(f"c: {
     
     c}")

# 创建等间距数列
d = np.linspace(0, 1, 5)
print(f"d: {
     
     d}")

# 创建均匀分布的随机数数组
e = np.random.rand(3, 4)
print(f"e: \n{
     
     e}")

# 创建标准正态分布的随机数数组
f = np.random.randn(2, 2)
print(f"f: \n{
     
     f}")

2.2 NumPy 数组的属性

NumPy 数组拥有丰富的属性，可以帮助我们了解数组的特征：

• shape: 数组的维度，例如 (2, 3) 表示 2 行 3 列的矩阵。
• dtype: 数组元素的数据类型，例如 int32, float64 等。
• size: 数组元素的总数。
• ndim: 数组的维度数量。
• itemsize: 每个数组元素的字节大小。
• nbytes: 整个数组占用的字节数。

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])

print(f"a.shape: {
     
     a.shape}")
print(f"a.dtype: {
     
     a.dtype}")
print(f"a.size: {
     
     a.size}")
print(f"a.ndim: {
     
     a.ndim}")