从零开始学 NumPy:Python 数值计算的基石

在 Python 数据分析、机器学习和科学计算领域，NumPy（Numerical Python）是不可或缺的基础库。它提供了高效的多维数组对象、便捷的数学运算函数，以及与其他科学计算库的无缝对接能力，解决了 Python 原生列表运算速度慢、多维数据处理繁琐的问题。本文将从核心概念出发，带大家掌握 NumPy 的关键用法，为后续数据分析和建模打下坚实基础。

一、NumPy 核心：ndarray 多维数组

NumPy 的核心是 ndarray（N-dimensional array），即多维数组。它与 Python 原生列表的本质区别在于：ndarray 是同构数据的集合（所有元素类型相同），支持向量化运算，运算速度远超列表；而列表可容纳不同类型数据，运算时需逐个元素循环，效率低下。

1. 创建 ndarray 数组

创建 ndarray 最常用的函数是 np.array()，传入列表或嵌套列表即可生成一维、二维或多维数组：

import numpy as np  # 导入NumPy库，约定简写为np

# 1. 创建一维数组
arr1 = np.array([1, 2, 3, 4, 5])
print("一维数组：", arr1)  # 输出：[1 2 3 4 5]

# 2. 创建二维数组（嵌套列表）
arr2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("二维数组：\n", arr2)

除了手动传入数据，NumPy 还提供了快速创建特殊数组的函数，满足日常需求：

• • np.zeros((3, 4))：创建 3 行 4 列的全 0 数组；
• • np.ones((2, 3))：创建 2 行 3 列的全 1 数组；
• • np.arange(0, 10, 2)：创建从 0 到 10（不包含 10）、步长为 2 的一维数组（[0, 2, 4, 6, 8]）；
• • np.linspace(0, 1, 5)：创建从 0 到 1、包含 5 个元素的均匀分布数组（[0. , 0.25, 0.5 , 0.75, 1. ]）。

2. ndarray 的关键属性

掌握数组的属性能帮助我们快速了解数据结构，常用属性如下：

print("数组维度：", arr2.ndim)  # 输出：2（二维数组）
print("数组形状（行×列）：", arr2.shape)  # 输出：(3, 3)
print("数组元素个数：", arr2.size)  # 输出：9
print("数组元素类型：", arr2.dtype)  # 输出：int64（默认整数类型）

可通过 arr2.reshape((1, 9)) 修改数组形状（如将 3×3 数组转为 1×9 一维数组），但需保证修改前后元素总数一致；通过 arr1.astype(np.float64) 转换元素类型（如整数转浮点数）。

二、核心运算：向量化操作与广播机制

NumPy 最强大的特性之一是 向量化操作，无需循环即可对数组中所有元素执行运算，大幅提升效率。

1. 基本运算（加减乘除）

ndarray 支持与标量（单个数值）或同形状数组的直接运算，运算规则为“元素级运算”：

arr = np.array([1, 2, 3, 4])

# 1. 与标量运算（所有元素同时运算）
print("数组+2：", arr + 2)  # 输出：[3 4 5 6]
print("数组×3：", arr * 3)  # 输出：[3 6 9 12]

# 2. 同形状数组运算（对应元素两两运算）
arr_a = np.array([1, 2, 3])
arr_b = np.array([4, 5, 6])
print("数组相加：", arr_a + arr_b)  # 输出：[5 7 9]
print("数组相乘：", arr_a * arr_b)  # 输出：[4 10 18]

2. 广播机制（不同形状数组运算）

当两个数组形状不同时，NumPy 会通过“广播机制”自动扩展数组，使它们满足元素级运算条件。核心规则：维度较小的数组会在缺失的维度上重复扩展，直到与较大数组形状一致（前提是维度兼容）。

# 二维数组（3×2）与一维数组（2）运算
arr2 = np.array([[1, 2], [3, 4], [5, 6]])
arr1 = np.array([10, 20])
print("广播运算结果：\n", arr2 + arr1)

运算过程中，一维数组 arr1 会自动扩展为 [[10, 20], [10, 20], [10, 20]]，再与 arr2 对应元素相加，输出：

[[11 22]
 [13 24]
 [15 26]]

3. 数学函数与统计运算

NumPy 内置了丰富的数学函数和统计函数，可直接作用于数组：

arr = np.array([1, 2, 3, 4, 5])

# 1. 数学函数（元素级）
print("平方根：", np.sqrt(arr))  # 输出：[1.  1.4142  1.732  2.  2.2361]
print("正弦值：", np.sin(arr))  # 计算每个元素的正弦（弧度制）

# 2. 统计运算（可指定维度）
print("总和：", arr.sum())  # 输出：15
print("均值：", arr.mean())  # 输出：3.0
print("最大值：", arr.max())  # 输出：5
print("最小值：", arr.min())  # 输出：1

# 二维数组按行/列统计（axis=0 按列，axis=1 按行）
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print("按列求均值：", arr2.mean(axis=0))  # 输出：[2.5 3.5 4.5]
print("按行求最大值：", arr2.max(axis=1))  # 输出：[3 6]

三、数组索引与切片：数据筛选

NumPy 的索引和切片功能灵活高效，支持一维、多维数组的精准数据提取。

1. 一维数组索引与切片

与 Python 列表类似，一维 ndarray 支持通过位置索引（从 0 开始）、切片（start:end:step）获取数据：

arr = np.arange(10)  # [0,1,2,3,4,5,6,7,8,9]
print("索引为3的元素：", arr[3])  # 输出：3
print("切片（2到7，步长2）：", arr[2:7:2])  # 输出：[2 4 6]
print("反向切片（最后3个元素）：", arr[-3:])  # 输出：[7 8 9]

2. 二维数组索引与切片

二维数组的索引格式为 arr[行索引/切片, 列索引/切片]，用逗号分隔行和列：

arr2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 1. 提取单个元素（第2行第3列，索引从0开始）
print("单个元素：", arr2[1, 2])  # 输出：6

# 2. 提取整行/整列
print("第2行：", arr2[1])  # 输出：[4 5 6]
print("第3列：", arr2[:, 2])  # 输出：[3 6 9]（: 表示所有行）

# 3. 切片提取子数组（第1-2行，第1-2列）
print("子数组：\n", arr2[0:2, 0:2])

输出的子数组为：

[[1 2]
 [4 5]]

3. 布尔索引（条件筛选）

通过布尔表达式生成布尔数组，可快速筛选满足条件的元素：

arr = np.array([10, 20, 30, 40, 50])
# 生成布尔数组（元素>30为True，否则为False）
bool_arr = arr > 30
print("布尔数组：", bool_arr)  # 输出：[False False False  True  True]
# 筛选满足条件的元素
print("筛选结果：", arr[bool_arr])  # 输出：[40 50]

# 简化写法（直接在索引中写条件）
print("简化筛选：", arr[arr > 30])  # 输出：[40 50]

四、总结与进阶方向

本文介绍了 NumPy 的核心知识点：ndarray 多维数组的创建与属性、向量化运算与广播机制、数组索引与切片，以及常用的数学和统计函数。这些内容是 NumPy 的基础，掌握后能轻松应对大部分数值计算场景，且为后续学习 Pandas（基于 NumPy 构建）、Matplotlib 等库提供支持。

若想进一步深入，可探索以下进阶方向：

1. 1. 数组操作：学习 np.concatenate()（数组拼接）、np.split()（数组分割）、np.transpose()（数组转置）等高级操作；
2. 2. 线性代数：NumPy 的 np.linalg 模块提供矩阵乘法、求逆、特征值计算等线性代数功能，适用于机器学习中的矩阵运算；
3. 3. 随机数生成：np.random 模块可生成各种分布的随机数（如正态分布、均匀分布），用于模拟实验和模型训练；
4. 4. 性能优化：了解 NumPy 的内存布局、避免循环使用向量化操作、利用 numba 加速运算等技巧。

NumPy 的学习核心是“摆脱 Python 列表的循环思维，拥抱向量化运算”。建议通过实际案例练习（如数值计算、数据预处理），逐步熟悉其 API 设计逻辑，你会发现数值计算变得高效且简洁。