第一章：NumPy 简介与安装

  1. 什么是 NumPy？
  2. NumPy 的优势（相比 Python List）
  3. 安装 NumPy（使用 pip）
  4. 导入 NumPy 与常用别名 np
    🔗 NumPy 官方文档 – 简介
    🔗 W3Schools – NumPy Intro

第二章：创建 NumPy 数组

  1. 使用 np.array() 创建数组
  2. 一维、二维、三维数组的表示
  3. 数组属性（shape、ndim、dtype、size）
  4. 使用内置函数快速创建数组（arange()、linspace()、zeros()、ones()、empty()、eye()）
    🔗 NumPy 官方 – 数组创建
    🔗 Real Python – NumPy Arrays

第三章：数组索引与切片

  1. 索引一维、二维、三维数组
  2. 切片操作（步长、反转、区域选取）
  3. 布尔索引（Boolean Indexing）
  4. 花式索引（Fancy Indexing）
    🔗 NumPy 索引文档
    🔗 GeeksForGeeks – NumPy Indexing

第四章：数组运算与广播机制

  1. 数组与标量之间的运算
  2. 数组之间的加减乘除（逐元素）
  3. 广播规则与维度对齐
  4. 常用数学函数（np.sum()、np.mean()、np.std()、np.sqrt()、np.exp()）
    🔗 NumPy 广播机制官方文档
    🔗 W3Schools – NumPy Arithmetic

第五章：数组变形与合并

  1. 数组维度变换（reshape()、ravel()、flatten()）
  2. 数组拼接（concatenate()、vstack()、hstack()）
  3. 数组分割（split()、hsplit()、vsplit()）
    🔗 NumPy 变形文档
    🔗 Real Python – Reshape & Flatten

第六章：高级函数与操作

  1. 排序与去重（sort()、unique()）
  2. 随机模块（np.random.rand()、randint()、seed()）
  3. 向量化函数（vectorize()）
  4. 条件选择（where()、any()、all()）
    🔗 NumPy 随机模块
    🔗 GeeksForGeeks – NumPy where()

第七章：线性代数与矩阵运算

  1. 矩阵乘法与点积（dot()、matmul()）
  2. 求逆矩阵、转置、行列式（inv()、transpose()、linalg.det()）
  3. 特征值分解、奇异值分解（eig()、svd()）
  4. 解线性方程组（linalg.solve()）
    🔗 NumPy 线性代数文档
    🔗 W3Schools – NumPy Linear Algebra

第八章：NumPy 与性能优化

  1. 向量化 vs 循环性能比较
  2. 内存布局与 copy() vs view()
  3. 使用 np.vectorize() 自定义高性能函数
  4. 简单的时间性能测试（%timeit）
    🔗 Real Python – Speed Up Python with NumPy

第九章：与其他库的协同工作

  1. NumPy 与 Pandas 数据结构互转
  2. NumPy 与 Matplotlib 可视化配合
  3. NumPy 与 Scikit-Learn 特征处理协作
    🔗 Pandas 官方文档
    🔗 Matplotlib 官方文档
    🔗 Scikit-Learn 文档

第十章：NumPy 实战项目案例

  1. 用 NumPy 实现简单图像滤镜
  2. 模拟骰子投掷的概率分布
  3. 股票数据的移动平均线计算
  4. 多元线性回归中的矩阵运算实现
    🔗 Kaggle – NumPy 实战案例
    🔗 Real Python – Practical NumPy Examples