目录
3. 读 / 写硬盘上基于数组的数据集的工具 提供专门用于处理数组格式数据的 I/O 工具
4. 线性代数运算、傅里叶变换和随机数生成的功能 线性代数运算
5. 将 C、C++、Fortran 代码集成到 Python 的工具
1） 作为算法间传递数据的容器 在数据分析流程中，不同算法（如数据清洗、特征工程、建模预测等环节的算法）需要频繁传递数据。
2）对数值型数据的高效处理优势 相较于 Python 内置的数据结构（如列表），NumPy 数组针对数值型数据进行了深度优化：
3）与低级语言库的无缝交互 由 C、Fortran 等低级语言编写的科学计算库（这些语言在数值计算上具有天然的速度优势）
四、scikit-learn是一个简单有效的数据挖掘和数据分析工具，可以供用户在各种环境下重复使用。
更多请扫wx，关注"智简达"
一、numpy
NumPy 作为 Python 科学计算的基础包，提供的各项功能从数据存储、运算到扩展集成，构成了高效处理数值计算任务的核心工具集，具体解释如下：
1. 快速高效的多维数组对象 ndarray 定义
ndarray（N-dimensional array）是 NumPy 的核心数据结构，是一个存储同类型元素的多维数组。 特点：
- 同质性：数组中所有元素必须是相同数据类型（如整数、浮点数），保证内存存储高效。
- 多维性：支持 1 维（向量）、2 维（矩阵）乃至更高维的数组，可灵活表示复杂数据结构（如时间序列、图像像素矩阵等）。
- 高性能：基于连续内存块存储，配合预编译的底层代码（C 语言实现），大幅提升数据访问和运算速度，远超 Python 原生列表。
2. 对数组执行元素级计算和直接对数组执行数学运算的函数
- 元素级计算：无需循环即可对数组中每个元素执行相同操作（如加减乘除、平方、取对数等），例如np.add(a, b)可直接对数组a和b的对应元素求和。
- 数学运算函数：提供丰富的内置数学函数，覆盖基础运算（如np.sum求和、np.mean求均值）、三角函数（如np.sin、np.cos）、指数对数（如np.exp、np.log）等，支持直接对整个数组批量计算，避免手动编写循环，提升效率和代码简洁性。
3. 读 / 写硬盘上基于数组的数据集的工具 提供专门用于处理数组格式数据的 I/O 工具
支持将 ndarray 数组直接保存到硬盘或从硬盘读取，例如：
- np.save()和np.load()：以二进制格式快速存储和加载数组，保留数据类型和维度信息，适合大规模数组的持久化。
- np.savetxt()和np.loadtxt()：将数组保存为文本文件（如 CSV）或从文本文件读取，方便与其他系统交换数据。 相比 Python 内置文件操作，这些工具针对数组优化，处理速度更快，尤其适合大型数据集。
4. 线性代数运算、傅里叶变换和随机数生成的功能 线性代数运算
- 通过np.linalg模块提供矩阵乘法、求逆、特征值分解、行列式计算等功能（如np.dot()实现矩阵乘法，np.linalg.inv()求矩阵逆），是机器学习、图形学等领域的基础。
- 傅里叶变换：通过np.fft模块实现快速傅里叶变换（FFT）及其逆变换，用于信号处理（如音频、图像降噪）、频谱分析等场景。
- 随机数生成：通过np.random模块生成各种概率分布的随机数（如正态分布、均匀分布），可用于模拟实验、抽样、初始化模型参数等。
5. 将 C、C++、Fortran 代码集成到 Python 的工具
- 提供numpy.ctypeslib、numpy.distutils等工具，支持将高性能的 C/C++/Fortran 代码（这些语言在数值计算上比 Python 更快）封装为 Python 可调用的接口。
- 作用：当 Python 原生代码（包括 NumPy）无法满足极致性能需求时，可通过集成底层语言代码进一步优化计算效率，兼顾 Python 的易用性和底层语言的高性能。