人工智能之数据分析 numpy：第二章 简介与安装

人工智能之数据分析 numpy

第二章 简介与安装

前言

NumPy（Numerical Python 的简称）是 Python 中用于科学计算的核心库之一。它提供了高性能的多维数组对象（ndarray）以及用于操作这些数组的工具，广泛应用于数据分析、机器学习、图像处理、物理模拟等领域。

一、NumPy 的主要特点

• 高效的多维数组对象：支持任意维度的数组，比 Python 原生列表更节省内存、运算更快。
• 广播机制（Broadcasting）：允许不同形状的数组进行算术运算。
• 丰富的数学函数：如三角函数、统计函数、线性代数、傅里叶变换等。
• 与 C/C++ 和 Fortran 代码集成良好：底层用 C 编写，性能高。
• 是其他科学计算库的基础：如 Pandas、SciPy、Matplotlib、Scikit-learn 等都依赖 NumPy。

二、安装 NumPy

方法 1：使用 pip 安装（推荐）

在命令行（终端或 CMD）中运行：

pip install numpy

如果你使用的是 Python 虚拟环境，请先激活环境再执行上述命令。

方法 2：使用 conda 安装（适用于 Anaconda 或 Miniconda 用户）

conda install numpy

验证是否安装成功

在 Python 中运行以下代码：

import numpy as np
print(np.__version__)

如果输出版本号（如 1.26.4），说明安装成功。

三、简单示例

import numpy as np

# 创建一个一维数组
a = np.array([1, 2, 3])
print(a)  # [1 2 3]

# 创建一个二维数组
b = np.array([[1, 2], [3, 4]])
print(b)
# [[1 2]
#  [3 4]]

# 数组运算（向量化操作）
c = a * 2
print(c)  # [2 4 6]

四、常见问题

• 安装慢？ 可以使用国内镜像源，例如：pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/
• ImportError？ 确保你安装的是当前 Python 环境对应的包（尤其注意虚拟环境）。

五、python版本推荐

截至 2025 年 11 月，在人工智能（AI）和机器学习（ML）生态中，Python 3.11 是目前“最全”且最推荐的版本之一——这里的“最全”可以理解为：

• 库支持最广泛
• 性能提升显著
• 语言特性现代且稳定
• 仍处于官方支持周期内

✅ 为什么说 Python 3.11 是“最全”的？

1. 主流 AI/ML 库全面兼容

截至 2025 年，几乎所有核心 AI 框架均已正式支持 Python 3.11：

⚠️ 注意：TensorFlow 在 2.12 之前对 3.11 的支持有限，但 2.13+ 已完全适配。如果你使用的是较新版本（强烈建议），没问题。

2. 性能显著提升（官方宣称快 10–25%）

Python 3.11 引入了 “Faster CPython” 项目的关键成果：

• 更快的函数调用
• 优化的解释器启动时间
• 改进的异常处理
• 对科学计算和模型训练有实际加速效果（尤其在 CPU 密集型任务中）

3. 现代语言特性增强开发体验

• 更好的错误提示（精确到具体表达式）
• typing 模块增强（如 Self、LiteralString）
• 支持更清晰的异步编程（对大模型推理服务有用）

4. 仍在官方支持期内

• Python 3.11 发布于 2022 年 10 月
• 官方安全更新支持将持续到 2027 年 10 月
• 远优于已停止支持的 3.6–3.8

❗ 那 Python 3.12 或 3.13 呢？

• Python 3.12（2023 年发布）：部分库（如旧版 CUDA 绑定、某些 C 扩展）仍有兼容问题，不推荐用于生产 AI 项目。
• Python 3.13（预计 2024 年 10 月发布）：截至 2025 年底可能刚开始被主流框架支持，适合尝鲜，但非“最全”。

因此，3.11 是当前“功能最全 + 兼容最好 + 性能最强”的黄金平衡点。

✅ 最终建议

🎯 新项目首选：Python 3.11（64 位） 🔧 配套工具：使用 conda 或 pyenv 管理环境，搭配 PyTorch ≥2.1 / TensorFlow ≥2.13

后续

部分代码已经上传至gitee，后续会逐步更新，主要受时间原因限制，当然自己也可以克隆到本地学习拓展。

资料关注

公众号：咚咚王

《Python编程：从入门到实践》

《利用Python进行数据分析》

《算法导论中文第三版》

《概率论与数理统计（第四版） (盛骤) 》

《程序员的数学》

《线性代数应该这样学第3版》

《微积分和数学分析引论》

《（西瓜书）周志华-机器学习》

《TensorFlow机器学习实战指南》

《Sklearn与TensorFlow机器学习实用指南》

《模式识别（第四版）》

《深度学习 deep learning》伊恩·古德费洛著 花书

《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》

《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》

《自然语言处理综论 第2版》

《Natural-Language-Processing-with-PyTorch》

《计算机视觉-算法与应用(中文版)》

《Learning OpenCV 4》

《AIGC：智能创作时代》杜雨+&+张孜铭

《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》

《从零构建大语言模型（中文版）》

《实战AI大模型》

《AI 3.0》