【Python 数据分析入门】NumPy 库超详细指南：安装、基础用法与经典案例

NumPy（Numerical Python）是 Python 科学计算的核心库，是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。主要用于处理多维数组对象和一系列数学函数。它就像是数据分析的 "地基"，后续要学的 Pandas、Matplotlib 等神器都是基于它搭建的哦

HENANwuyanzu66

1568人浏览 · 2025-07-08 19:59:30

HENANwuyanzu66 · 2025-07-08 19:59:30 发布

Hello 大家好～今天带大家认识 Python 数据分析的 "瑞士军刀"——NumPy 库！即使是编程小白也能轻松看懂哦～全文包含超详细安装教程、基础用法解析，还有超实用的经典案例，手把手教你玩转 NumPy！😊

一、NumPy 是什么？为什么要学它？

NumPy（Numerical Python）是 Python 科学计算的核心库，主要用于处理多维数组对象和一系列数学函数。它就像是数据分析的 "地基"，后续要学的 Pandas、Matplotlib 等神器都是基于它搭建的哦～

🌟 核心优势：

比 Python 原生列表快 10-100 倍的运算速度（底层用 C 语言实现）

支持向量化操作（一行代码搞定批量运算）

内置丰富的数学函数（统计、线性代数、傅里叶变换等）

方便的广播机制（不同形状数组直接运算）

二、超详细安装教程（3 分钟搞定！）

方法 1：用 pip 安装（推荐）

打开命令行（Windows 用 cmd，Mac/Linux 用终端），输入：

pip install numpy

安装完成后，在 Python 中验证：

import numpy as np  # 习惯缩写为np
print(np.__version__)  # 输出版本号，比如1.26.0就成功啦～

如果观众老爷们使用了Pycharm软件编写python代码，还有一种更加简单粗暴的方法安装numpy

import numpy as np#直接在py文件里编写import导入

#此时numpy字段会变红报错，此时鼠标点击numpy，然后键盘alt+enter就可以出现导包选项

方法 2：Anaconda 用户专属

如果你安装了 Anaconda，直接在命令行输入：

conda install numpy

遇到问题怎么办？🤔

网络卡顿？试试加国内镜像：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy

三、NumPy 基础用法：从数组开始

1. 创建数组（Ndarray 对象）

NumPy 的核心是ndarray（多维数组），和 Python 列表的区别是：所有元素类型必须相同，且大小固定。

创建方式一：从列表转换

arr = np.array([1, 2, 3, 4])  # 一维数组
print(arr)  # 输出：[1 2 3 4]

matrix = np.array([[1, 2], [3, 4]])  # 二维数组（矩阵）
print(matrix)
# 输出：
# [[1 2]
#  [3 4]]

创建方式二：生成特殊数组

zeros_arr = np.zeros((3, 4))  # 3行4列全0数组
ones_arr = np.ones((2, 2))     # 2行2列全1数组
empty_arr = np.empty((2, 3))   # 初始随机值数组（速度最快）
range_arr = np.arange(10)      # 生成0-9的数组，类似Python的range
linspace_arr = np.linspace(0, 10, 5)  # 0到10均匀分成5个数：[0. 2.5 5. 7.5 10.]

2. 数组属性：快速了解数据结构

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape)   # 形状：(2, 3)（2行3列）
print(arr.dtype)   # 数据类型：int64（默认整数类型）
print(arr.size)    # 元素总数：6
print(arr.ndim)    # 维度：2（二维数组）

3. 数组索引与切片：和列表类似但更强大！

arr = np.array([1, 2, 3, 4, 5])
print(arr[2])       # 索引：输出3
print(arr[1:4])     # 切片：输出[2, 3, 4]（左闭右开）

# 二维数组操作
matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(matrix[1, 2])        # 取第2行第3列元素：6
print(matrix[:, 1])        # 取所有行的第2列：[2, 5, 8]
print(matrix[1:, :2])      # 从第2行开始，取前2列：[[5,6]]

4. 数组运算：向量化操作超爽！

不需要写循环！直接对整个数组进行运算～

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# 加减乘除（对应元素运算）
print(a + b)  # [5 7 9]
print(a * b)  # [4 10 18]

# 矩阵乘法（用@符号或dot方法）
mat1 = np.array([[1, 2], [3, 4]])
mat2 = np.array([[5, 6], [7, 8]])
print(mat1 @ mat2)
# 输出：
# [[19 22]
#  [43 50]]

# 广播机制：不同形状数组运算
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr + 10)  # 每个元素加10：[[11 12 13],[14 15 16]]
print(arr * np.array([10, 20, 30]))  # 按列相乘：[[10,40,90],[40,100,180]]

矩阵乘法规则：

前提条件
两个矩阵 A（m×n 阶）和 B（p×q 阶）可以相乘，当且仅当 第一个矩阵的列数 n 等于 第二个矩阵的行数 p，即 n=p。结果矩阵 C 的阶数为 m×q。

关键特性

不满足交换律：一般情况下 AB≠BA。

满足结合律：(AB)C=A(BC)。

分配律：A(B+C)=AB+AC。

矩阵的乘法与行列式的乘法类似。

此时AB和BA是完全不同的两个答案

四、NumPy 在数据分析中的核心作用

1. 高性能数值计算

处理大规模数据时，避免 Python 循环的低效性

底层 C 语言实现，支持并行计算（虽然需要配合其他库）

2. 数据预处理

快速填充缺失值（用 np.nan 表示缺失，配合掩码操作）

数据类型转换（astype 方法）

数组重组（reshape、flatten 等方法）

3. 数学与统计分析

内置大量统计函数：

arr = np.array([1, 2, 3, 4, 5, 5])
print(np.mean(arr))   # 均值：3.5
print(np.std(arr))    # 标准差：1.7078251276600336
print(np.max(arr))    # 最大值：5
print(np.min(arr))    # 最小值：1
print(np.unique(arr)) # 去重：[1 2 3 4 5]

五、经典案例实战（附完整代码）

案例 1：学生成绩统计分析

问题：计算全班 50 名学生 3 门课的平均分、最高分、最低分，以及每门课的标准差。

# 生成随机成绩（0-100分，50行3列）
scores = np.random.randint(0, 101, size=(50, 3))

# 计算每行平均分（每个学生的平均分）
student_avg = np.mean(scores, axis=1)  # axis=1表示按行计算
print("学生平均分前5名：", student_avg[:5])

# 计算每列统计量（每门课的统计）
subject_stats = np.array([
    np.mean(scores, axis=0),   # 平均分
    np.max(scores, axis=0),   # 最高分
    np.min(scores, axis=0),   # 最低分
    np.std(scores, axis=0)    # 标准差
])
print("\n每门课统计量（行：均值、最大值、最小值、标准差）：")
print(subject_stats)

案例 2：蒙特卡洛模拟抛硬币

问题：模拟抛 10000 次硬币，计算正面朝上的概率，观察是否接近 50%。

np.random.seed(42)  # 固定随机种子，结果可复现
coin_flips = np.random.choice([0, 1], size=10000)  # 0=反面，1=正面
head_probability = np.mean(coin_flips)
print(f"模拟抛硬币正面概率：{head_probability:.4f}")  # 输出接近0.5