NumPy是Python中科学计算的核心库，提供了一个强大的N维数组对象ndarray，以及一系列用于操作这些数组的矢量化函数。
下面几段代码覆盖了NumPy最核心的功能。每段代码都可以直接复制到Jupyter Notebook或编辑器里运行。
# 创建数组——一切从数组开始
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
zeros = np.zeros((3, 4))
rand = np.random.randn(1000)
# 向量化运算——不用写for循环
arr * 2 # 每个元素都乘2
arr + arr # 数组对应位置相加
np.sqrt(arr) # 每个元素开平方
# 统计运算——一行搞定
arr.mean() # 平均值
arr.std() # 标准差
np.median(arr) # 中位数
# 矩阵运算——线性代数
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
np.dot(A, B) # 矩阵乘法
np.linalg.inv(A) # 矩阵求逆
# 索引与切片——灵活取数据
arr[0] # 第一个元素
arr[1:4] # 第2到第4个
arr[arr > 3] # 布尔索引：所有大于3的元素
NumPy的灵魂是ndarray（N维数组）。它要求数组中所有元素类型相同，以此换取极高的内存和计算效率。NumPy的运算都是“矢量化”的，即自动对数组中的每个元素执行相同操作，让你告别低效的Python循环。
按使用频率排列，覆盖日常开发90%的需求。
这个库好在哪：NumPy是Python数据科学不可替代的基石。向量化运算让数据处理效率提升几十倍，优雅的数组广播机制让复杂运算变得简洁。几乎所有科学计算库都依赖它——学了NumPy，Pandas和Matplotlib就理解了一半。API设计稳定，学一次用一辈子。
坑在哪：广播机制的规则需要时间消化，shape不匹配是最常见的报错。数据类型(dtype)在隐式转换时可能丢失精度。NumPy函数名和Python内置函数名可能冲突，注意区分。
适合谁：任何用Python做数据分析、科学计算、机器学习的人。即使你只用Pandas，理解NumPy能让你的代码效率翻倍。数据科学的入门第一站。
替代品：PyTorch和TensorFlow的张量(tensor)可以代替NumPy数组，且支持GPU加速，但日常数据处理NumPy更轻量。JAX是Google开发的NumPy增强版，支持自动微分和JIT编译。
学习建议：不要试图背所有函数。先掌握创建、索引、统计这三类核心操作，用到什么查什么。把官方文档的Quickstart教程过一遍就够了。
在写代码时卡住了？把下面这段话完整复制到任何AI对话框，把【】里的内容换成你的具体问题。
我正在学习 NumPy，请你以一位耐心、专业的Python数据科学老师身份，用大白话帮我拆解以下问题。 我的问题是：【在这里写你的具体问题，比如：怎么用NumPy完成某个数据处理任务？】 要求： 1. 用大白话解释，给出可以直接运行的代码 2. 每一行代码加上注释，说明它在做什么 3. 如果涉及广播或shape相关的概念，请通俗解释 4. 如果有常见的坑，请提前告诉我怎么避开 我的水平：有Python基础，刚接触NumPy
如果你想系统深入地学习，把下面这段话复制到AI对话框，把【】里的内容换成你的具体情况：
我正在深入学习 NumPy，请你以一位精通Python数据科学的认知导航专家身份，遵循“为知识建立秩序”的理念，帮我构建一个高阶学习地图。 我的当前水平：【描述你的水平，如：已经能熟练创建和索引NumPy数组，想系统学习广播机制、线性代数运算和性能优化】 请按以下框架回答： 1. 🧭 认知导航：NumPy在Python数据科学生态中的位置和上下游关系 2. 🗺️ 知识地图：用“结构化学习路径”列出3-4个阶段 3. 🪜 学习路线图：按“新手→进阶→专业”的顺序给出练习项目 4. ⚠️ 高阶避坑指南：列出广播、copy/view、数据类型方面的深层坑 5. ✅ 学习效果自查清单 请用大白话回答，代码示例用NumPy。
💡 使用技巧：新手版适合“这个函数怎么用”类问题；高阶版适合“我应该怎么系统学NumPy”类问题。