Python中numpy库有什么作用？AI/ML开发时何时需要使用numpy？

你在AI/ML相关代码里经常见到的import numpy as np是Python数值计算领域的通用写法，大家约定俗成把NumPy库缩写为np来减少后续代码的冗余，关于你问的几个问题具体解答如下：

NumPy全称为Numerical Python，是整个Python生态里数值计算的底层基础设施，核心作用有三个：

• 提供高性能的多维数组结构ndarray：Python原生的列表是动态类型、离散存储的，存大量数值的时候内存占用高、运算速度慢，ndarray是同类型数值密集存储的结构，内存占用只有同规模原生列表的1/5到1/10，运算速度能快几十到上百倍。同时它支持广播机制，可以直接对整个数组做批量运算，不用写遍历的for循环，比如给100万个数值统一加3，直接写arr + 3就能完成。
• 封装了全场景的数值计算工具：内置了线性代数运算、矩阵变换、傅里叶变换、随机数生成、统计指标计算、数值筛选等上百个现成的数值计算API，不用自己重复造底层轮子，比如计算矩阵乘积直接调用np.dot(mat1, mat2)，求数组的中位数调用np.median(arr)即可。
• 作为全数值生态的通用数据格式：现在Python生态里几乎所有和数据、AI、科学计算相关的库都兼容NumPy的数组格式，上层库的底层运算很多也直接调用NumPy的接口实现，相当于整个领域的通用数据交互标准。

只要涉及到批量数值处理的场景都可以用NumPy，常见场景包括：

• AI/ML领域的数据集预处理、特征工程、标签转换、模型结果后处理
• 信号处理、图像处理、医疗影像分析等工程场景的数值运算
• 金融量化分析、物理/化学仿真、天文数据处理等科研领域的科学计算
• 统计建模、数据可视化的底层数值计算
• 所有需要操作矩阵、张量、多维数值数组的场景

你不需要所有项目都提前装NumPy，符合以下任意一种情况时导入即可：

• 你需要自己实现批量数值运算逻辑，用原生Python代码效率太低的时候
• 你调用的第三方库要求传入NumPy数组格式的输入，比如Scikit-learn的模型训练方法、OpenCV的图像处理接口等
• 你需要处理其他库返回的NumPy数组类型的结果，比如Pandas的df.to_numpy()返回结果、Matplotlib的数值入参处理等
• 你需要用到NumPy封装好的现成数值计算API，比如生成随机数、做矩阵求逆等

内容的提问来源于stack exchange，提问作者akD