产品
A fundamental package for scientific computing in Python, providing support for large multi-dimensional arrays and matrices.
已跟踪 5 条高相关材料
最近变化
2026-06-01 · 使用 Mimesis 生成随机设备元数据，包括 device_id、location、firmware_version 和 ip_address。
为什么值得关注
NumPy 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Pandas Isn’t Going Anywhere: Why It’s Still My Go-To for Data Wrangling
Towards Data Science · 8.5 分
Pandas 仍是数据处理的首选工具，因其功能强大且社区支持广泛。
How to Build Vector Search From Scratch in Python
KDnuggets · 8.5 分
本文详细讲解了如何用Python从零构建向量搜索系统，通过NumPy实现嵌入向量的存储、归一化和余弦相似度计算，展示了向量空间中语义相似性的原理。
Mocking a Year of IoT Sensor Time Series Data with Mimesis
KDnuggets · 8.2 分
本文介绍如何使用 Mimesis 工具结合数学模型生成一年期的 IoT 传感器时间序列数据，重点模拟温度随季节变化的波动模式，并包含设备元数据，适用于机器学习和数据分析场景。
已收录 5 条与 NumPy 相关的内容，按评分排序。
Pandas remains the go-to tool for data wrangling due to its powerful features and strong community support.
入选理由：Pandas 在数据清洗和转换方面具有显著优势。
This article explains how to build a vector search system from scratch using Python and NumPy, demonstrating the storage, normalization, and cosine similarity calculation of embedding vectors.
入选理由：使用NumPy构建向量搜索系统
This article introduces five essential Python concepts for data scientists, emphasizing NumPy vectorization and broadcasting mechanisms that significantly improve data processing performance, showing up to 26x speedup compared to traditional loops.
入选理由：使用NumPy向量化可将数组运算速度提升至传统Python循环的26倍以上
This article demonstrates how to generate a year's worth of IoT sensor time series data using the Mimesis tool combined with a mathematical model, focusing on simulating seasonal temperature fluctuations and including device metadata for machine learning and data analysis applications.
入选理由：使用 Mimesis 生成随机设备元数据，包括 device_id、location、firmware_version 和 ip_address。
This article explains how to build a context-aware semantic search engine in Python using LLM embeddings combined with metadata filtering.
入选理由：使用本地预训练模型生成384维向量，无需API密钥即可实现语义搜索。
