1. 课程导入与工程数据认知

在工程实践中，我们面对的绝大多数数据都不是单个数字，而是一组组按时间、位置或工况排列的数值序列。例如一台振动传感器以 2 kHz 采样率连续采集 10 秒，就会产生 20000 个加速度值；一次材料拉伸试验会记录载荷—位移曲线上千个采样点；一台多通道数据采集卡可能同时输出温度、压力、流量、电压等 8 路信号。把这些数据逐个用 Python 列表处理，不仅代码冗长，而且运算速度慢、内存占用高、表达不直观。NumPy 正是为解决这类"批量数值计算"问题而生的基础库，它构成了 Python 科学计算生态的地基。

本课程的目标可以概括为三层：第一层是建立数组思维，理解 ndarray 的形状、维度、数据类型与内存布局，学会用"整体运算"代替"循环逐个处理"；第二层是掌握核心计算能力，包括索引切片、广播、聚合统计、矩阵运算、随机数生成与文件读写；第三层是面向工程数据完成任务闭环，能够把原始采集数据整理成规整数组，完成清洗、变换、特征提取与结果输出。这三层能力会在后续章节中逐步展开，而本节先帮助大家建立整体认知框架。

为什么工程数据需要数组化处理

先看一个具体对比。假设我们有一组 8 个采样点的电压信号，需要把每个值从伏特换算成毫伏并减去零点偏置 2.5 mV。用纯 Python 列表的写法是：

raw = [0.0021, 0.0024, 0.0019, 0.0026, 0.0022, 0.0020, 0.0025, 0.0023]
mv = []
for v in raw:
    mv.append(v * 1000 - 2.5)

而用 NumPy 只需要一行：

import numpy as np
raw = np.array([0.0021, 0.0024, 0.0019, 0.0026, 0.0022, 0.0020, 0.0025, 0.0023])
mv = raw * 1000 - 2.5

两者结果一致，但 NumPy 版本把"对每个元素做同样运算"这件事交给了底层 C 循环和向量化指令，代码更短、可读性更强，数据量越大优势越明显。当数组规模达到百万级时，这种差异会从"写法偏好"变成"能否在合理时间内算完"的工程问题。更重要的是，数组化表达让"整段信号"成为一个可整体操作的对象，后续做滑动平均、求峰值、做傅里叶变换时，思路会自然地从"逐点处理"转向"整体变换"。

工程数据的典型形态与数组维度对应关系

工程数据虽然来源各异，但落到 NumPy 中通常可以归入几种典型形状。理解这种对应关系，是建立整体学习框架的关键。下图展示了从真实采集场景到 ndarray 结构的映射，以及后续处理链的走向：

图中左侧是四类常见采集场景，中间是它们对应的 ndarray 形状，右侧是贯穿全课程的处理链。可以看到，形状（shape）是工程数据建模的第一决策：单通道信号用一维数组，多通道同步采集用"通道×采样点"的二维数组，试验曲线用"采样点×变量"的二维数组，批量工况用"样本×特征"的二维数组。一旦形状定错，后续的广播、聚合和索引都会跟着出错，因此本课程会在数组基础部分反复强调形状意识。

一个可运行的小案例：从原始电压到工程指标

下面用一段示例数据演示完整的小闭环。假设某压力传感器输出 0～5 V 电压，量程对应 0～1 MPa，零点偏置约 0.02 V，采样 6 个点。示例数据为合理假设，用于说明计算过程：

import numpy as np

volt = np.array([0.52, 0.98, 1.47, 2.03, 2.51, 2.96])  # 单位 V
offset = 0.02
full_scale_v = 5.0
full_scale_mpa = 1.0

pressure = (volt - offset) / full_scale_v * full_scale_mpa
print(pressure)
# [0.1   0.192 0.29  0.402 0.498 0.588]

print("均值 MPa:", pressure.mean().round(4))
print("峰值 MPa:", pressure.max().round(4))
print("峰峰值 MPa:", (pressure.max() - pressure.min()).round(4))

这段代码体现了数组计算的三个基本特征：整体运算（一次减法、一次除法作用于全部元素）、聚合函数（mean、max、min 直接给出统计量）、结果可判读（均值反映平均压力水平，峰峰值反映波动范围）。如果这是一段动态压力曲线，峰峰值过大可能提示冲击或噪声，均值漂移可能提示零点漂移，这些判断都建立在数组计算结果之上。后续章节会把这些操作扩展到滑动窗口、频域分析和多通道对比。

学习框架与常见误区

本课程的整体框架可以按"基础—运算—工程应用"三段理解。基础段解决 ndarray 的创建、形状、数据类型与索引切片；运算段覆盖广播机制、聚合统计、矩阵运算与随机数；工程应用段则把前两段能力组合起来，处理真实采集数据的读入、清洗、变换与特征提取。建议在学习时始终带着一个自己的数据场景，例如"我有一组电机电流采样"，把每节学到的操作立即套用到这个场景上，比单纯记 API 更有效。

初学者常见的误区有三个。其一是把列表和数组混用，在循环里不断 append，导致性能优势丧失；其二是忽视 dtype，整数数组做除法得到浮点结果、或浮点精度不足导致比较失败；其三是形状不匹配就硬改，不先检查 shape 就盲目 reshape，结果数据错位却难以察觉。规避方法很直接：每次操作前后打印 arr.shape 与 arr.dtype，把形状和类型当作工程数据的"元信息"来管理。

到这里，我们已经建立了"工程数据→数组形状→处理链→工程指标"的整体认知。接下来要做的，是把这套认知落到 ndarray 这个具体对象上，从创建第一个数组开始，逐步掌握它的形状、类型与索引规则。