lst-numpy-bool-index、lst-numpy-copy 和 lst-numpy-reshape，完成筛选、复制与变形。| 特性 | Python列表 | NumPy数组 |
|---|---|---|
| 内存存储 | 分散存储对象引用 | 连续内存存储 |
| 元素类型 | 可以不同 | 必须相同 |
| 性能 | 解释执行，较慢 | 编译优化，极快 |
| 向量化 | 不支持 | 原生支持 |
| 内存效率 | 较低 | 较高（紧凑存储） |
stock1、stock2、stock_con 的业务含义、数据类型或取值范围，并判断哪一个输入最可能改变结果。stock_con 的结果；同时写出方向、数量级或表格/图形结构。# ⚠️ 平台原始代码 - 请原样输入至教学平台（注释除外），平台才会判定答案正确
import numpy as np # 导入NumPy数值计算库
# 已知股价数据
stock1=np.array([22.91,22.89,23.38,23.09,22.90])
stock2=np.array([41.14,40.99,41.29,40.81,40.97]) # 创建NumPy数组stock2
# 1. 查看股票1的属性值情况，并输出。
print(stock1.shape)
# 2. 输出股票2周二的股价
print(stock2[1])
# 3. 连接股票1与股票2的数据（按照2X5的方式连接），并输出
stock_con=np.concatenate(([stock1],[stock2]),axis=0)
print(stock_con) # 输出两只股票收盘价合并后的2×5矩阵运行后核对：核对 stock1、stock2、stock_con 是否按预测参与运算，实际输出是否与预测一致；若不一致，先检查类型、单位、索引/字段和运算顺序。
拓展练习：只改变一个关键输入或业务场景，先预测输出如何变化，再运行验证并解释变化原因。
股票1收盘价: [22.91 22.89 23.38 23.09 22.9 ]
股票2收盘价: [41.14 40.99 41.29 40.81 40.97]
数据类型: float64object：输入数据（列表、元组或其他数组）dtype：指定数据类型（如np.float64、np.int32）copy：是否复制数据（默认True）金融数据类型选择：
float64：双精度，金融计算推荐（价格、收益率）float32：节省内存，适合大规模数据int64：整数类型（成交量、日期索引）二维数组形状: (2, 5)
行数: 2
列数: 5shape属性的维度含义：
(5,)：单只股票的时间序列(2, 5)：多只股票的时间序列(2, 3, 5)：多市场 × 多股票 × 多日（面板数据）[start:end:step]切片规则：start包含，end不包含；负数索引从末尾计数
array[row, col]stocks_2d[0, 2] = 23.38
股票2所有交易日: [41.14 40.99 41.29 40.81 40.97]
周三所有股票价格: [23.38 41.29]金融应用场景：
arr[stock_id, :]arr[:, day_id]arr[:, start:end]垂直拼接结果:
[[22.91 22.89 23.38 23.09 22.9 ]
[41.14 40.99 41.29 40.81 40.97]]
形状: (2, 5)
扩充后的股票2: [41.14 40.99 41.29 40.81 40.97 22.95 23.02]垂直堆叠:
[[22.91 22.89 23.38 23.09 22.9 ]
[41.14 40.99 41.29 40.81 40.97]]
水平连接: [22.91 22.89 23.38 23.09 22.9 41.14 40.99 41.29 40.81 40.97]| 函数 | 功能 | 等价操作 |
|---|---|---|
concatenate |
通用拼接（指定axis） | — |
vstack |
垂直堆叠 | concatenate(..., axis=0) |
hstack |
水平连接 | concatenate(..., axis=1) |
# hsplit：水平分割（按列切分）
stocks_split = np.hsplit(stocks_2d, [2, 4])
print('按列分割结果:')
for i, part in enumerate(stocks_split):
print(f' 部分{i+1}: 形状{part.shape}')
# vsplit：垂直分割（按行切分）
stocks_vsplit = np.vsplit(stocks_2d, 2)
print(f'\n按行分割:')
for i, part in enumerate(stocks_vsplit):
print(f' 部分{i+1}: {part}')按列分割结果:
部分1: 形状(2, 2)
部分2: 形状(2, 2)
部分3: 形状(2, 1)
按行分割:
部分1: [[22.91 22.89 23.38 23.09 22.9 ]]
部分2: [[41.14 40.99 41.29 40.81 40.97]][1:4] 返回的是原数组的视图修改副本后，原数组: [1 2 3 4 5]
Fancy索引修改后，原数组: [1 2 3 4 5]| 操作 | 返回类型 | 是否共享内存 |
|---|---|---|
切片 [start:end] |
视图 | ✅ 是 |
Fancy索引 [[0,2]] |
副本 | ❌ 否 |
布尔索引 [mask] |
副本 | ❌ 否 |
.copy() |
副本 | ❌ 否 |
最佳实践：不确定时，使用 .copy() 避免意外修改
一维数组: [0 1 2 3 4 5 6 7 8 9]
2×5数组:
[[0 1 2 3 4]
[5 6 7 8 9]]
5×2数组:
[[0 1]
[2 3]
[4 5]
[6 7]
[8 9]]arr_2x5 = np.arange(10).reshape(2, 5)
# ravel()：展平为一维（可能返回视图）
flat_ravel = arr_2x5.ravel()
print(f'ravel结果: {flat_ravel}')
# flatten()：展平为一维（总是返回副本）
flat_flatten = arr_2x5.flatten()
print(f'flatten结果: {flat_flatten}')
# .T：转置（行列互换）
transpose = arr_2x5.T # 2×5 → 5×2
print(f'\n转置后 {transpose.shape}:\n{transpose}')ravel结果: [0 1 2 3 4 5 6 7 8 9]
flatten结果: [0 1 2 3 4 5 6 7 8 9]
转置后 (5, 2):
[[0 5]
[1 6]
[2 7]
[3 8]
[4 9]]广播允许不同形状的数组进行算术运算，NumPy会自动扩展较小的数组。
广播规则：
0.9 被自动扩展为 [0.9, 0.9, 0.9, 0.9, 0.9]标准化后的收益率:
[[ 1.22474487 -1.22474487 0. ]
[ 0.98058068 -1.37281295 0.39223227]]import time
n = 1000000 # 100万个数据点
prices = np.random.randn(n) * 10 + 100 # 模拟股价数据
# 方法1：Python循环（慢）
start = time.time()
returns_loop = []
for i in range(1, len(prices)):
ret = (prices[i] - prices[i-1]) / prices[i-1]
returns_loop.append(ret)
loop_time = time.time() - start
# 方法2：NumPy向量化（快）
start = time.time()
returns_vec = (prices[1:] - prices[:-1]) / prices[:-1]
vec_time = time.time() - start
print(f'循环时间: {loop_time:.4f}秒')
print(f'向量化时间: {vec_time:.4f}秒')
print(f'性能提升: {loop_time/vec_time:.1f}倍')循环时间: 0.3990秒
向量化时间: 0.0022秒
性能提升: 178.7倍np.array() 从列表创建，支持多维[start:end:step]，二维用 [row, col]concatenate/vstack/hstack 与 hsplit/vsplit.copy() 创建独立副本lst-numpy-bool-index、lst-numpy-copy 和 lst-numpy-reshape，完成筛选、复制与变形。import numpy as np # 导入数组计算库
returns=np.array([[0.01,-0.02,0.03],[0.00,0.04,-0.01]],dtype=float) # 创建二维多资产收益矩阵
positive=returns[returns>0] # 用布尔索引访问全部正收益
first_asset=returns[0,1:] # 用二维切片访问首资产后两期
independent=returns.copy() # 创建不会污染原矩阵的独立副本
independent[0,0]=0.99 # 修改副本以检验复制边界
reshaped=returns.reshape(3,2) # 在元素数不变时变形
assert positive.tolist()==[0.01,0.03,0.04] # 检查布尔访问结果
assert first_asset.tolist()==[-0.02,0.03] # 检查二维切片结果
assert returns[0,0]==0.01 and independent[0,0]==0.99 # 检查副本修改不污染原数组
assert reshaped.shape==(3,2) and reshaped.size==returns.size # 检查变形前后元素守恒
print({'筛选':positive.tolist(),'副本独立':True,'变形':reshaped.shape}) # 输出可见核对结果解释与拓展应用答案：布尔索引返回满足条件的元素，.copy() 隔离修改，reshape 只在元素数守恒时成立；拓展应用到另一收益矩阵时复用同样三道检查。
所用数据与字段：二维价格表 shape=(2,3)，浮点类型
参考代码或推导（平台保护块之外）：
import numpy as np # 导入数组库
new_returns=np.array([[0.02,-0.01],[0.03,0.00],[-0.02,0.01]],dtype=float) # 创建新案例收益矩阵
selected=new_returns[new_returns>=0.02] # 按同一规则筛选新案例数据
new_copy=new_returns.copy() # 建立新案例数据副本
new_copy[0,0]=-1.0 # 修改新案例副本以执行污染测试
new_shape=new_returns.reshape(2,3) # 按元素守恒规则变形
assert selected.tolist()==[0.02,0.03] # 检查新案例筛选结果
assert new_returns[0,0]==0.02 and new_shape.size==new_returns.size # 检查复制与变形边界
print({'新案例筛选':selected.tolist(),'新案例形状':new_shape.shape}) # 输出新案例结果[商业大数据分析与应用]