文章目录

• 一、NumPy核心概念：ndarray
• 二、ndarray的基本属性
• 三、NumPy的基本使用
  • 1. 安装与导入
  • 2. 数组的创建
  • 3. 数组形状操作
  • 4. 数组索引与切片
  • 5. 数组运算
  • 6. 广播机制（Broadcasting）
  • 7. 统计函数
  • 8. 文件操作
• 四、NumPy的应用场景
• 总结

NumPy（Numerical Python）是Python中用于科学计算的核心库，提供了高性能的多维数组对象（ndarray）以及用于处理这些数组的丰富函数集。它是数据分析、机器学习、科学计算等领域的基础，比Python原生列表更高效（尤其处理大规模数据时），并支持向量化运算。

一、NumPy核心概念：ndarray

ndarray（N-dimensional array，N维数组）是NumPy的核心数据结构，具有以下特点：

• 同质性：数组中所有元素必须是同一数据类型（如整数、浮点数）。
• 固定大小：创建后形状（维度）固定，修改形状需通过特定方法（如reshape）。
• 高效性：存储在连续内存块中，运算速度远快于Python列表。

二、ndarray的基本属性

创建数组后，可通过以下属性查看其特征：

• ndim：数组的维度（秩）。
• shape：数组的形状（各维度大小的元组）。
• dtype：数组元素的数据类型（如int32、float64）。
• size：数组元素的总个数（shape各元素乘积）。
• itemsize：每个元素的字节大小。

三、NumPy的基本使用

1. 安装与导入

pip install numpy  # 安装

import numpy as np  # 导入（通常简写为np）

2. 数组的创建

常用创建方法：

函数	功能
np.array()	从Python列表/元组创建数组
np.zeros()	创建全0数组
np.ones()	创建全1数组
np.arange()	类似range，创建有序数组
np.linspace()	创建指定范围内的等间隔数组
np.random.rand()	创建0-1随机数组
np.eye()	创建单位矩阵（对角线为1，其余为0）

示例代码：

import numpy as np

# 1. 从列表创建数组
arr1 = np.array([1, 2, 3, 4])  # 一维数组
arr2 = np.array([[1, 2], [3, 4]])  # 二维数组（矩阵）
print("arr1:", arr1)  # [1 2 3 4]
print("arr2:\n", arr2)  # [[1 2] [3 4]]

# 2. 创建特殊数组
zeros = np.zeros((2, 3))  # 2行3列全0数组
ones = np.ones((3, 2))    # 3行2列全1数组
arange = np.arange(0, 10, 2)  # 0到10（不含），步长2：[0 2 4 6 8]
linspace = np.linspace(0, 1, 5)  # 0到1（含），5个等间隔值：[0.  0.25 0.5  0.75 1.  ]
rand = np.random.rand(2, 2)  # 2x2随机数组（0-1）
eye = np.eye(3)  # 3x3单位矩阵

# 查看属性
print("arr2维度：", arr2.ndim)  # 2
print("arr2形状：", arr2.shape)  # (2, 2)
print("arr2数据类型：", arr2.dtype)  # int64（默认）
print("arr2元素总数：", arr2.size)  # 4

3. 数组形状操作

常用方法：

• reshape()：修改数组形状（不改变数据，返回新数组）。
• flatten()：将多维数组展平为一维数组。
• transpose()：转置数组（行列互换）。

示例代码：

import numpy as np

arr = np.arange(12)  # [ 0  1  2 ... 11]
print("原数组形状：", arr.shape)  # (12,)

# 重塑为3行4列
reshaped = arr.reshape(3, 4)
print("重塑后形状：", reshaped.shape)  # (3, 4)
print("重塑后数组：\n", reshaped)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]

# 展平为一维
flattened = reshaped.flatten()
print("展平后：", flattened)  # [ 0  1  2 ... 11]

# 转置（3x4 → 4x3）
transposed = reshaped.transpose()
print("转置后形状：", transposed.shape)  # (4, 3)

4. 数组索引与切片

与Python列表类似，但支持多维索引：

• 一维数组：arr[index]、arr[start:end:step]
• 二维数组：arr[row_index, col_index]、arr[row_slice, col_slice]

示例代码：

import numpy as np

# 一维数组索引
arr1d = np.arange(10)  # [0 1 2 3 4 5 6 7 8 9]
print("索引第3个元素：", arr1d[2])  # 2（索引从0开始）
print("切片2-5（不含5）：", arr1d[2:5])  # [2 3 4]

# 二维数组索引
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("第2行第3列元素：", arr2d[1, 2])  # 6（行索引1，列索引2）
print("第1行所有元素：", arr2d[0, :])  # [1 2 3]
print("前2行，后2列：\n", arr2d[:2, 1:])
# [[2 3]
#  [5 6]]

5. 数组运算

NumPy支持向量化运算（无需循环，直接对整个数组操作），效率极高。

运算类型	示例
元素级运算	+、-、*、/、**（平方）
矩阵运算	np.dot(a, b) 或 a @ b（矩阵乘法）
比较运算	>、<、==（返回布尔数组）

示例代码：

import numpy as np

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

# 元素级运算
print("a + b：", a + b)  # [5 7 9]
print("a * b：", a * b)  # [4 10 18]
print("a的平方：", a **2)  # [1 4 9]

# 矩阵乘法（需满足维度兼容：a的列数 = b的行数）
mat1 = np.array([[1, 2], [3, 4]])  # 2x2
mat2 = np.array([[5, 6], [7, 8]])  # 2x2
print("矩阵乘法：\n", mat1 @ mat2)  # 等价于np.dot(mat1, mat2)
# [[19 22]
#  [43 50]]

# 比较运算
print("a > 2：", a > 2)  # [False False  True]

6. 广播机制（Broadcasting）

当两个数组形状不同时，NumPy会自动扩展其中一个或两个数组，使它们形状兼容后再运算（无需手动扩展）。

示例代码：

import numpy as np

# 标量与数组运算（标量被广播为数组形状）
a = np.array([1, 2, 3])
print("a + 10：", a + 10)  # [11 12 13]

# 不同形状数组运算（自动广播）
b = np.array([[1, 2, 3], [4, 5, 6]])  # 2x3
c = np.array([10, 20, 30])  # 1x3（被广播为2x3）
print("b + c：\n", b + c)
# [[11 22 33]
#  [14 25 36]]

7. 统计函数

NumPy提供了丰富的统计函数，用于快速计算数组的统计特征：

函数	功能
np.mean()	平均值
np.median()	中位数
np.sum()	总和
np.max() / np.min()	最大值/最小值
np.std() / np.var()	标准差/方差

示例代码：

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

print("平均值：", np.mean(arr))  # 5.0
print("每行平均值：", np.mean(arr, axis=1))  # [2. 5. 8.]（axis=1表示按行计算）
print("总和：", np.sum(arr))  # 45
print("最大值：", np.max(arr))  # 9
print("标准差：", np.std(arr))  # 2.581988897471611

8. 文件操作

NumPy支持将数组保存到文件或从文件加载，常用格式为.npy（二进制）。

示例代码：

import numpy as np

arr = np.array([1, 2, 3, 4])

# 保存数组到文件
np.save("my_array.npy", arr)

# 从文件加载数组
loaded_arr = np.load("my_array.npy")
print("加载的数组：", loaded_arr)  # [1 2 3 4]

四、NumPy的应用场景

• 数据分析：与Pandas配合处理结构化数据。
• 机器学习：作为Scikit-learn、TensorFlow等库的底层数据结构。
• 科学计算：解决线性代数、傅里叶变换等问题。
• 图像处理：表示图像像素矩阵并进行处理。

总结

NumPy通过ndarray提供了高效的多维数组操作能力，是Python科学计算的基石。其核心优势在于向量化运算和广播机制，大幅提升了数据处理效率。掌握NumPy是学习数据分析、机器学习等领域的必备基础。