故事比喻：魔法书架与多维数组（NumPy 多维数组） 在一个神秘的图书馆里，有一座巨大的魔法书架，它可以整齐地存放、查找、调整和计算大量的书籍。这个书架的排列方式非常特殊，就像 NumPy 的多维数组（ndarray），每一层、每一排、每一个格子都有规律可循。 1D 数组：单层书架（NumPy 的 1 维数组） 首先，魔法书架的第一层存放着一系列书籍，它们整齐地排成一排。 比喻：一维数组（1D array）就是一排书。 import numpy as np shelf = np.array([‘哈利波特’, ‘纳尼亚传奇’, ‘指环王’]) ? 特点： ? 只有一排，没有更复杂的结构。 ? 你可以用索引快速找到书，比如 shelf[0] 就是 ‘哈利波特’。 2D 数组：多层书架（NumPy 的 2 维数组） 馆长觉得一排书不够放，于是他增加了第二层书架，现在书架上有多行书，每一行都是一个类别： 书架层 书籍1 书籍2 书籍3 第一层（小说） 哈利波特 纳尼亚传奇 指环王 第二层（科幻） 三体 银河帝国 沙丘 比喻：二维数组（2D array）就像一个有多层的书架，每一行是一个类别。 shelves = np.array([ [‘哈利波特’, ‘纳尼亚传奇’, ‘指环王’], [‘三体’, ‘银河帝国’, ‘沙丘’] ]) ? 特点： ? 每一行都是一类书，比如 第一行是小说，第二行是科幻。 ? shelves[1, 0] 代表 ‘三体’，因为 [1] 代表第二层，[0] 代表第一本书。 3D 数组：多排、多层、多书架（NumPy 的 3 维数组） 为了存放更多的书，图书馆扩建了一个新的房间，里面有多个这样的书架。现在整个图书馆的结构变成这样： 比喻：三维数组（3D array）就像有多个书架的房间。 library = np.array([ [ # 第一个书架 [‘哈利波特’, ‘纳尼亚传奇’, ‘指环王’], [‘三体’, ‘银河帝国’, ‘沙丘’] ], [ # 第二个书架 [‘时间简史’, ‘自私的基因’, ‘黑天鹅’], [‘计算机科学导论’, ‘人工智能原理’, ‘数学之美’] ] ]) ? 特点： ? 现在有多个独立的书架，每个书架有多层，每层有多本书。 ? library[1, 0, 2] 代表的是 ‘黑天鹅’： ? [1] 代表 第二个书架（科普 计算机）。 ? [0] 代表 第一层（科普类书籍）。 ? [2] 代表 第三本书（黑天鹅）。 NumPy 多维数组的强大之处 1. 快速查找：就像书架上编号一样，我们可以用索引找到任何一本书，比如 library[1, 0, 2] 直接定位到《黑天鹅》。 2. 批量操作：如果我们想一次性把所有书架的书名都改成大写，只需一行代码，而不需要手动翻书： library = np.char.upper(library) 3. 强大的数学计算能力：假设书架上放的不是书，而是销量数据，我们可以一键计算总销量、平均销量、最高销量等，比传统的循环处理快很多。 总结：NumPy 的多维数组就像魔法书架 ? 1D 数组（单排书架）：一排书，按序存放。 ? 2D 数组（多层书架）：有多个层，每一行是一类书。 ? 3D 数组（多个书架）：多个书架，每个书架有多层，每层有多本书。 思考：你生活中还有哪些类似 NumPy 数组的结构？比如 Excel 表格、仓库货架、电影分类系统？NumPy 的强大之处就在于，它能让我们轻松管理和计算这些数据！喜欢职场小聪明请大家收藏：(www.qibaxs10.cc)职场小聪明七八小说更新速度全网最快。