Numpy

一、核心概念：NumPy 数组（ndarray）

NumPy 的核心是 ndarray（N 维数组），与 Python 原生列表相比，具有以下优势：

  • 同类型数据：所有元素类型必须一致（如全为 int 或 float），避免类型检查开销。
  • 高效内存：连续存储，支持向量化操作，速度远快于列表。
  • 多维支持：轻松处理一维、二维甚至更高维数据（如矩阵、张量）。

示例：创建数组

1
2
3
4
5
6
7
8
9
10
11
12
13
import numpy as np
 
# 一维数组
arr1d = np.array([1, 2, 3])
 
# 二维数组（矩阵）
arr2d = np.array([[1, 2], [3, 4]])
 
# 特殊数组
zeros = np.zeros((2, 3))  # 2x3 全零矩阵
ones = np.ones((3,))      # 长度为3的一维全1数组
range_arr = np.arange(10) # 类似range(10)，但返回数组
linspace = np.linspace(0, 1, 5)  # 在0到1间生成5个等间隔数

二、关键操作：数组运算与索引

1. 向量化运算

NumPy 支持数组间的直接运算（无需循环），大幅提升效率。

1
2
3
4
5
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
 
print(a + b)  # 输出 [5, 7, 9]（逐元素相加）
print(a * 2)  # 输出 [2, 4, 6]（广播机制）

2. 索引与切片

支持类似列表的切片，但扩展到多维：

1
2
3
4
5
arr = np.array([[1, 2, 3], [4, 5, 6]])
 
print(arr[0, 1])  # 输出 2（第一行第二列）
print(arr[:, 1])  # 输出 [2, 5]（所有行的第二列）
print(arr[1, :2]) # 输出 [4, 5]（第二行的前两列）

3. 布尔索引

通过条件筛选数据：

1
2
3
a = np.array([1, 2, 3, 4])
mask = a > 2  # 生成布尔数组 [False, False, True, True]
print(a[mask])  # 输出 [3, 4]

三、常用函数：统计与线性代数

1. 统计函数

1
2
3
4
5
arr = np.array([1, 2, 3, 4])
print(np.sum(arr))    # 输出 10
print(np.mean(arr))   # 输出 2.5
print(np.max(arr))    # 输出 4
print(np.argmax(arr)) # 输出 3（最大值的索引）

2. 线性代数

1
2
3
4
5
from numpy.linalg import inv, det
 
A = np.array([[1, 2], [3, 4]])
print(inv(A))  # 矩阵求逆
print(det(A))  # 矩阵行列式

四、广播机制（Broadcasting）

NumPy 允许不同形状的数组进行运算，自动扩展较小数组以匹配较大数组的形状。

1
2
3
4
5
a = np.array([[1, 2], [3, 4]])
b = np.array([10, 20])  # 一维数组
 
print(a + b)  # 输出 [[11, 22], [13, 24]]
# 广播规则：b 被扩展为 [[10, 20], [10, 20]]，再与 a 相加

五、快速上手实践建议

  1. 动手练习：通过 NumPy 官方教程 或在线练习平台（如 Kaggle）巩固。
  2. 对比列表：尝试用 NumPy 和原生列表实现相同操作，感受性能差异。
  3. 结合实际：用 NumPy 处理 CSV 数据、图像像素等真实场景。

六、常见问题解答

  • Q：NumPy 数组 vs Python 列表？
    • A：数组适合数值计算，列表适合异构数据存储。
  • Q：如何将数组转为列表？
    • A：使用 arr.tolist()。
  • Q：如何保存/加载数组？
    • A：np.save('file.npy', arr) 保存，np.load('file.npy') 加载。