NumPy 用户指南

概述： 本课程介绍 NumPy 作为 Python 科学计算的核心库，通过向量化解释其性能优势。学生将学习如何在各种平台（Windows、Raspberry Pi、Conda、PyCharm）上安装该库，并解决常见的安装问题（如 ImportError），方法包括管理环境变量和系统依赖。

学习成果：

• 定义 NumPy 并识别其在科学计算 Python 生态系统中的作用。
• 使用向量化概念解释为何 NumPy 比标准 Python 循环快得多。
• 执行各种环境（包括 Pip、Conda 和 Raspberry Pi）的安装命令。

概述： 本课程全面介绍 NumPy 的 ndarray 对象，涵盖其核心属性、创建方法和基本数学运算。内容延伸至高级主题，包括高级索引（布尔型与整数型）、形状变换以及关键的线性代数运算。完成本模块后，学习者将能够高效地存储、转换和分析多维数据结构。

学习成果：

• 识别并解释核心 ndarray 属性，如 ndim、shape 和 dtype。
• 使用 linspace、reshape、vstack 和 hstack 等函数执行数组创建与操作。
• 对数值数据集应用逐元素运算、通用函数（ufuncs）和线性代数求解器。

概述： 本课程深入探讨 NumPy 的高级机制，重点在于精确的数据类型管理、溢出处理以及使用 genfromtxt 进行复杂的 I/O 操作。学生将掌握广播机制的内部逻辑，理解内存层面的字节序细节，并学会创建用于异构数据集的结构化/记录数组。最后部分详细介绍通过自定义数组容器扩展 NumPy 的能力，以及 ndarray 子类化的正式协议。

学习成果：

• 使用 NumPy 的标量类型及信息工具（iinfo、finfo）管理数据精度并避免溢出错误。
• 使用 genfromtxt 实现灵活的数据读取，支持自定义分隔符、表头和列选择。
• 应用通用广播规则，预测并控制不同形状数组之间的交互。

概述： 本课程深入探讨 NumPy 子类化的高级细节，特别是内存管理与下游兼容性方面的问题。进一步研究 NumPy 如何实现 IEEE 754 浮点标准以处理特殊值和数值异常，最后介绍将 NumPy 数组与低级语言（如 C、C++、Fortran）进行接口的方法。

学习成果：

• 通过 .base 属性管理内存引用，避免自定义 ndarray 子类中的“陷阱”。
• 通过正确实现 __array_wrap__ 和方法签名，保持子类的下游兼容性。
• 识别并操作 IEEE 754 特殊值（NaN、Inf），并配置全局数值异常行为。

概述： 本课程探讨通过与编译语言（如 C、C++、Fortran）接口来扩展 NumPy 功能的各种方法。内容涵盖自动化工具（如 f2py 和 Cython）、手动封装（ctypes）、高性能通用函数（ufuncs）的创建，以及用于数组迭代、自定义数据类型和 ndarray 子类化的高级 C-API 技巧。

学习成果：

• 比较并实现将编译代码与 Python “粘合”的多种方法（f2py、Cython、ctypes）。
• 构建并注册适用于单个或多个数据类型（包括结构化数组）的自定义 NumPy 通用函数（ufuncs）。
• 利用 NumPy C-API 实现高效的数组迭代，处理广播机制，并定义用户自定义数据类型或 ndarray 子类型。