NumPy 库快速上手：从基础到实战，搞定 Python 数值计算
·
NumPy（Numerical Python）是 Python 科学计算的核心库，它提供了高性能的多维数组对象（ndarray）以及一系列用于数组操作的函数，相比 Python 原生列表，NumPy 数组在数值计算、数据处理上效率提升显著。本文将从 NumPy 的核心属性、数组创建、基础运算、索引、合并与分割六个核心维度，带你快速掌握 NumPy 的基础用法，适合刚接触 NumPy 的新手入门。
1. NumPy 核心属性
在使用 NumPy 前，首先需要导入库（约定俗成使用np作为别名）：
import numpy as np创建一个基础数组后，我们可以通过 NumPy 的核心属性快速了解数组的关键信息：
# 创建一个二维数组
arr = np.array([[1, 2, 3], [4, 5, 6]])
# 1. ndim：数组的维度（秩）
print("数组维度：", arr.ndim) # 输出：2（二维数组）
# 2. shape：数组的形状（行×列），返回元组
print("数组形状：", arr.shape) # 输出：(2, 3)（2行3列）
# 3. size：数组中元素的总个数
print("元素总数：", arr.size) # 输出：6
# 4. dtype：数组中元素的数据类型
print("元素类型：", arr.dtype) # 输出：int64（默认整数类型，根据系统可能为int32）
关键说明：
shape是最常用的属性之一，修改shape可以改变数组维度（如arr.shape = (3,2)会将 2 行 3 列数组转为 3 行 2 列）；dtype支持指定创建数组的类型，如np.array([1,2], dtype=np.float32)
2. NumPy 数组的创建
NumPy 提供了丰富的数组创建方式，不同方式适用于不同场景，以下是新手必须掌握的核心方法：
2.1 基础创建：np.array ()
这是最基础的创建方式，直接将 Python 列表 / 元组转换为 NumPy 数组，支持指定数据类型。
# 1. 创建一维数组
arr1 = np.array([1, 2, 3, 4])
print("一维数组：", arr1) # 输出：[1 2 3 4]
print("数组类型：", arr1.dtype) # 输出：int64
# 2. 创建二维数组（嵌套列表）
arr2 = np.array([[1, 2], [3, 4], [5, 6]])
print("二维数组：\n", arr2)
# 输出：
# [[1 2]
# [3 4]
# [5 6]]
# 3. 指定数据类型
arr3 = np.array([1, 2, 3], dtype=np.float32)
print("指定float32类型：", arr3, "类型：", arr3.dtype)
# 输出：[1. 2. 3.] 类型：float32
2.2 特殊值数组：zeros/ones/empty/eye
这类方法用于创建固定值的特殊数组，是数值计算中最常用的初始化方式。
2.2.1 np.zeros ()：全 0 数组
创建指定形状的全 0 数组，默认float64类型，可通过dtype指定类型。
# 1. 创建一维全0数组
zeros_1d = np.zeros(5)
print("一维全0数组：", zeros_1d) # 输出：[0. 0. 0. 0. 0.]
# 2. 创建二维全0数组（传入形状元组）
zeros_2d = np.zeros((3, 4))
print("3行4列全0数组：\n", zeros_2d)
# 输出：
# [[0. 0. 0. 0.]
# [0. 0. 0. 0.]
# [0. 0. 0. 0.]]
2.2.2 np.ones ()：全 1 数组
用法与zeros()完全一致，只是数组元素全为 1。
# 创建2行3列的int类型全1数组
ones_arr = np.ones((2, 3), dtype=np.int64)
print("全1数组：\n", ones_arr)
# 输出：
# [[1 1 1]
# [1 1 1]]2.2.3 np.empty ()：空数组
创建指定形状的 “空” 数组，数组元素为内存中随机值（非真正空），速度比 zeros/ones 快，适合后续要赋值的场景。
empty_arr = np.empty((2, 2))
print("空数组（随机值）：\n", empty_arr)
# 输出示例（值不固定）：
# [[4.67296746e-307 1.69121096e-306]
# [1.37961641e-306 9.79054228e-307]]2.3 数值序列：arange/linspace
用于创建有序的数值序列数组，替代 Python 原生range，支持浮点数。
2.3.1 np.arange ()：固定步长序列
语法：np.arange(start, stop, step, dtype=None)
start：起始值（默认 0）stop：终止值（不包含）step：步长（默认 1）# 1. 基础用法：0到9（不包含10） arr1 = np.arange(10) print("0-9序列：", arr1) # 输出：[0 1 2 3 4 5 6 7 8 9] # 2. 指定起始和终止：5到14 arr2 = np.arange(5, 15) print("5-14序列：", arr2) # 输出：[ 5 6 7 8 9 10 11 12 13 14] # 3. 指定步长：0到10，步长2 arr3 = np.arange(0, 11, 2) print("0-10步长2：", arr3) # 输出：[ 0 2 4 6 8 10] # 4. 浮点数步长：0到1，步长0.2 arr4 = np.arange(0, 1, 0.2) print("浮点数步长：", arr4) # 输出：[0. 0.2 0.4 0.6 0.8] # 5. 重塑为二维数组 arr5 = np.arange(12).reshape(3, 4) print("重塑为3行4列：\n", arr5) # 输出： # [[ 0 1 2 3] # [ 4 5 6 7] # [ 8 9 10 11]]2.3.2 np.linspace ()：固定个数序列
语法：
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)start：起始值stop：终止值（默认包含，endpoint=False则不包含）num：生成的元素个数（默认 50）retstep：是否返回步长（默认 False）# 1. 基础用法：0到10，生成5个均匀数（包含10） lin1 = np.linspace(0, 10, num=5) print("0-10生成5个数：", lin1) # 输出：[ 0. 2.5 5. 7.5 10. ] # 2. 不包含终止值：0到10，生成5个数 lin2 = np.linspace(0, 10, num=5, endpoint=False) print("不包含10：", lin2) # 输出：[0. 2. 4. 6. 8.] # 3. 返回步长：获取生成的数和步长 lin3, step = np.linspace(0, 10, num=5, retstep=True) print("数值序列：", lin3, "步长：", step) # 输出：[ 0. 2.5 5. 7.5 10. ] 步长：2.5 # 4. 生成后重塑为二维数组 lin4 = np.linspace(1, 10, num=9).reshape(3, 3) print("3行3列等差数列：\n", lin4) # 输出： # [[ 1. 2.125 3.25 ] # [ 4.375 5.5 6.625] # [ 7.75 8.875 10. ]]2.4 随机数数组：np.random（基础）
生成随机数数组是数据分析、模拟实验的常用操作，这里介绍最基础的两种：
# 1. np.random.random()：0到1之间的随机浮点数 random_arr = np.random.random((2, 3)) print("0-1随机浮点数数组：\n", random_arr) # 输出示例： # [[0.456 0.789 0.123] # [0.876 0.345 0.678]] # 2. np.random.randint()：指定范围的随机整数 # 语法：randint(low, high=None, size=None) int_arr = np.random.randint(0, 10, size=(3, 3)) # 0到9的随机整数，3×3 print("0-9随机整数数组：\n", int_arr) # 输出示例： # [[5 8 2] # [7 1 9] # [3 4 6]]3. NumPy 基础运算
NumPy 支持数组与标量、数组与数组之间的快速运算，无需循环，效率极高。
3.1 数组与标量运算
数组加减乘除标量时，会对每个元素执行相同操作：
arr = np.array([[1, 2, 3], [4, 5, 6]]) # 加法 print("数组+2：\n", arr + 2) # 输出： # [[3 4 5] # [6 7 8]] # 乘法 print("数组×3：\n", arr * 3) # 输出： # [[ 3 6 9] # [12 15 18]] # 平方 print("数组平方：\n", arr **2) # 输出： # [[ 1 4 9] # [16 25 36]] # 三角函数（以sin为例） print("数组sin值：\n", np.sin(arr)) # 输出： # [[ 0.84147098 0.90929743 0.14112001] # [-0.7568025 -0.95892427 -0.2794155 ]]3.2 数组与数组运算
同形状数组
arr1 = np.array([[1, 2], [3, 4]]) arr2 = np.array([[5, 6], [7, 8]]) # 加法 print("数组相加：\n", arr1 + arr2) # 输出： # [[ 6 8] # [10 12]] # 乘法（对应元素相乘，非矩阵乘法） print("对应元素相乘：\n", arr1 * arr2) # 输出： # [[ 5 12] # [21 32]] # 矩阵乘法（需用dot函数） print("矩阵乘法：\n", arr1.dot(arr2)) # 输出： # [[19 22] # [43 50]]运算时，对应位置元素两两计算：
3.3 聚合运算
对数组整体或按轴计算最大值、最小值、求和等：
arr = np.array([[1, 2, 3], [4, 5, 6]]) print("数组最大值：", arr.max()) # 6 print("数组最小值：", arr.min()) # 1 print("数组求和：", arr.sum()) # 21 # 按轴运算（axis=0：列，axis=1：行） print("按列求最大值：", arr.max(axis=0)) # [4 5 6] print("按行求和：", arr.sum(axis=1)) # [ 6 15]4. NumPy 索引
NumPy 支持类似 Python 列表的索引方式，同时支持多维数组的精准索引。
4.1 一维数组索引
与 Python 列表完全一致：
arr = np.linspace(0, 10, num=6) # [ 0. 2. 4. 6. 8. 10.] print("索引第3个元素：", arr[2]) # 4.0 print("切片（1到4，步长2）：", arr[1:4:2]) # [2. 6.] print("反向索引：", arr[-1]) # 10.04.2 二维数组索引
格式为
arr[行索引, 列索引]，支持单独索引行 / 列、切片：arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 索引第2行第3列元素 print("单个元素：", arr[1, 2]) # 6 # 索引第1行所有元素 print("第1行：", arr[0, :]) # [1 2 3] # 索引第2列所有元素 print("第2列：", arr[:, 1]) # [2 5 8] # 切片：前2行，后2列 print("切片结果：\n", arr[:2, 1:]) # 输出： # [[2 3] # [5 6]] # 布尔索引（筛选大于5的元素） print("大于5的元素：", arr[arr > 5]) # [6 7 8 9]5. NumPy 数组合并
NumPy 提供
concatenate、vstack、hstack等函数实现数组合并，核心是保证合并维度的一致性。5.1 垂直合并（vstack）
按行合并（上下拼接），要求列数相同：
arr1 = np.array([[1, 2], [3, 4]]) arr2 = np.array([[5, 6], [7, 8]]) # 垂直合并 v_arr = np.vstack((arr1, arr2)) print("垂直合并：\n", v_arr) # 输出： # [[1 2] # [3 4] # [5 6] # [7 8]]5.2 水平合并（hstack）
按列合并（左右拼接），要求行数相同：
# 水平合并 h_arr = np.hstack((arr1, arr2)) print("水平合并：\n", h_arr) # 输出： # [[1 2 5 6] # [3 4 7 8]]5.3 通用合并（concatenate）
np.concatenate是 NumPy 中最通用的数组合并函数，通过axis参数指定合并轴，可适配一维、二维等多维度合并场景，是vstack/hstack的底层实现。-
5.3.1 核心语法
np.concatenate((arr1, arr2, ...), axis=0) -
关键参数：
(arr1, arr2, ...)：待合并的数组序列（需放入元组 / 列表）；axis：合并轴，默认axis=0（垂直 / 行方向），axis=1（水平 / 列方向）；- 核心要求：除合并轴外，其他轴的形状必须一致。
-
5.3.2 核心场景示例
场景 1：二维数组垂直合并（axis=0）
要求待合并数组列数相同，沿行方向拼接：
-
arr1 = np.array([[1, 2], [3, 4]]) # shape=(2,2) arr2 = np.array([[5, 6], [7, 8]]) # shape=(2,2) concat_v = np.concatenate((arr1, arr2), axis=0) print("垂直合并结果：\n", concat_v) # 输出： # [[1 2] # [3 4] # [5 6] # [7 8]]场景 2：二维数组水平合并（axis=1）
要求待合并数组行数相同，沿列方向拼接：
-
concat_h = np.concatenate((arr1, arr2), axis=1) print("水平合并结果：\n", concat_h) # 输出： # [[1 2 5 6] # [3 4 7 8]]5.4 合并函数对比（vstack/hstack/concatenate）
函数 适用维度 合并方向 等价 concatenate 写法 核心要求 np.vstack 一维 / 二维 垂直（行） np.concatenate(..., axis=0) 列数相同 np.hstack 一维 / 二维 水平（列） np.concatenate(..., axis=1) 行数相同 np.concatenate 任意维度 任意轴（axis） - 除合并轴外，其他轴形状一致 -
6. NumPy 数组分割
数组分割是合并的逆操作，常用
split、vsplit、hsplit函数，需指定分割份数或分割点。6.1 垂直分割（vsplit）
按行分割，要求行数能被分割份数整除：
arr = np.arange(12).reshape(6, 2) # 6行2列数组 print("原始数组：\n", arr) # 垂直分割为3份 v_split_arr = np.vsplit(arr, 3) print("垂直分割结果：") for i in v_split_arr: print(i) # 输出： # [[0 1]] # [[2 3]] # [[4 5] # [6 7] # [8 9] # [10 11]] → 注：6行分割为3份，每份2行6.2 水平分割（hsplit）
按列分割，要求列数能被分割份数整除：
arr = np.arange(12).reshape(3, 4) # 3行4列数组 print("原始数组：\n", arr) # 水平分割为2份 h_split_arr = np.hsplit(arr, 2) print("水平分割结果：") for i in h_split_arr: print(i) # 输出： # [[0 1] # [4 5] # [8 9]] # [[ 2 3] # [ 6 7] # [10 11]]6.3 自定义分割（split）
通过
axis指定分割轴，同时支持指定分割点：arr = np.arange(10) # 按分割点[3,7]分割为3部分（0-2, 3-6,7-9） split_arr = np.split(arr, [3,7]) print("自定义分割：", split_arr) # 输出：[array([0, 1, 2]), array([3, 4, 5, 6]), array([7, 8, 9])]总结
- NumPy 数组创建方式丰富：
np.array()是基础，zeros/ones用于初始化，arange/linspace生成有序序列，random生成随机数； arange按步长生成序列（不包含终止值），linspace按个数生成序列（默认包含终止值），可根据需求选择；- 数组核心属性（ndim/shape/size/dtype）是操作数组的基础，
reshape可灵活调整数组维度； - 基础运算支持标量 / 数组运算，聚合运算可按轴计算，矩阵乘法需用
dot函数； - 索引支持单元素、切片、布尔索引，二维数组索引格式为
[行,列]； - 数组合并 / 分割需保证维度匹配，垂直操作（vstack/vsplit）按行，水平操作（hstack/hsplit）按列。
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
30
0- 0
已为社区贡献2条内容
所有评论(0)