📌 目录

  1. NumPy 数组是 SciPy 的基础
  2. ndarray 是什么？
  3. 如何用 NumPy 创建数组？
  4. SciPy 如何使用 NumPy 数组？
  5. 共享内存：SciPy 模块的输入输出
  6. 示例：SciPy 与 NumPy 协作计算
  7. 出站链接与参考资料

1. NumPy 数组是 SciPy 的基础

SciPy 库中大多数函数的输入和输出都是 NumPy 的多维数组对象（ndarray）。这意味着：

  • 学好 NumPy = 用好 SciPy 的前提；
  • SciPy 并不会自己创建数据结构，而是直接基于 NumPy 运算。

📌 简单来说，NumPy 是底层引擎，SciPy 是高级工具箱。

2. ndarray 是什么？

ndarray 是 NumPy 提供的核心数据结构（n-dimensional array）：

  • 表示任意维度的数值表格；
  • 支持向量化操作（比 for 循环快得多）；
  • SciPy 函数接收的几乎都是 ndarray 类型数据。

3. 如何用 NumPy 创建数组？

一维数组

import numpy as np

a = np.array([1, 2, 3])
print(a)  # 输出：[1 2 3]

二维数组

b = np.array([[1, 2], [3, 4]])
print(b)
# 输出：
# [[1 2]
#  [3 4]]

创建全 0 / 全 1 的数组

np.zeros((2, 3))   # 2行3列的全0数组
np.ones((3, 3))    # 3x3 全1矩阵

4. SciPy 如何使用 NumPy 数组？

我们来看一个 SciPy 函数处理 NumPy 数组的例子。

from scipy import linalg
import numpy as np

# 创建 2x2 矩阵
A = np.array([[3, 2], [1, 4]])

# 求解矩阵的逆
inv_A = linalg.inv(A)
print("逆矩阵:\n", inv_A)

🧠 注意：SciPy 函数并没有构造新类型，而是接收 NumPy 的数组，并输出 NumPy 数组结果。

5. 共享内存：SciPy 模块的输入输出

SciPy 中的模块并不会改变输入数组，而是返回新的数组对象。

例如：

import numpy as np
from scipy import signal

x = np.array([1, 2, 3, 4])
y = signal.detrend(x)  # 去线性趋势
print(y)

✅ 输入 x 保持不变，输出为新的数组 y，这种方式确保数据可控、可追踪。

6. 示例：SciPy 与 NumPy 协作计算

我们用 NumPy 创建一组点，用 SciPy 对其插值（使用 scipy.interpolate.interp1d）：

import numpy as np
from scipy.interpolate import interp1d
import matplotlib.pyplot as plt

# 原始数据点
x = np.linspace(0, 10, 10)
y = np.sin(x)

# 创建插值函数
f = interp1d(x, y, kind='cubic')

# 生成更密集的新点
xnew = np.linspace(0, 10, 100)
ynew = f(xnew)

# 绘图展示
plt.plot(x, y, 'o', label='原始点')
plt.plot(xnew, ynew, '-', label='插值曲线')
plt.legend()
plt.show()

这就是典型的 NumPy + SciPy + Matplotlib 联合作战范式。

🔗 出站链接与参考资料

📘 官方文档

🎓 学习资源