NumPy入门：5分钟搞懂Python数值计算的基石

上个月有个实习生问我：「哥，Python列表不是能存数字吗，为啥还要学NumPy？」

我让他跑了一行代码：

import timea = list(range(1000000))b = list(range(1000000))c = [x + y for x, y in zip(a, b)]

跑了 0.15 秒。然后换成 NumPy：

import numpy as npa = np.arange(1000000)b = np.arange(1000000)c = a + b

0.003 秒。

快了 50 倍。  他不说话了。

为什么 NumPy 这么快？

Python 列表存的是「对象指针」，每个数字都是一个独立的 Python 对象。NumPy 数组存的是连续的内存块，CPU 可以一次性处理一大片数据。

简单说：Python 列表是散装的，NumPy 是整箱的。

搞数值计算、数据分析、机器学习，NumPy 是地基。Pandas、Matplotlib、Scikit-learn 全都建在它上面。

创建数组：4 种常用方式

import numpy as np# 1. 从 Python 列表转换a = np.array([1, 2, 3, 4, 5])# 2. 创建全零/全一数组zeros = np.zeros(5)        # [0. 0. 0. 0. 0.]ones = np.ones((2, 3))     # 2行3列的全1矩阵# 3. 创建等差数列arr = np.arange(0, 10, 2)  # [0 2 4 6 8]arr = np.linspace(0, 1, 5) # [0.   0.25 0.5  0.75 1.  ]# 4. 创建随机数组rand = np.random.rand(3, 3)  # 3x3 随机矩阵，0-1之间rand_int = np.random.randint(1, 100, size=5)  # 5个随机整数

arange 和 linspace 的区别：arange 指定步长，linspace 指定个数。想均匀分割用 linspace，想固定间隔用 arange。

数组操作：切片、变形、拼接

切片跟列表差不多，但更灵活

arr = np.array([[1, 2, 3],                [4, 5, 6],                [7, 8, 9]])arr[0, 1]      # 第0行第1列 → 2arr[:, 0]      # 所有行的第0列 → [1, 4, 7]arr[1, :]      # 第1行所有列 → [4, 5, 6]arr[arr > 5]   # 布尔索引，取大于5的元素 → [6, 7, 8, 9]

踩坑提醒：切片返回的是「视图」不是「副本」。改切片会改原数组：

a = np.array([1, 2, 3, 4, 5])b = a[1:3]b[0] = 99print(a)  # [ 1 99  3  4  5]，原数组被改了！

想要副本，用 a[1:3].copy()。

变形：reshape

arr = np.arange(12)matrix = arr.reshape(3, 4)  # 变成 3x4 矩阵print(matrix)# [[ 0  1  2  3]#  [ 4  5  6  7]#  [ 8  9 10 11]]

-1 是偷懒写法，让 NumPy 自动算维度：

arr.reshape(3, -1)  # 3行，列数自动算 → 3x4arr.reshape(-1, 6)  # 列数6，行数自动算 → 2x6

拼接

a = np.array([1, 2, 3])b = np.array([4, 5, 6])np.concatenate([a, b])   # [1 2 3 4 5 6]np.stack([a, b])          # [[1 2 3], [4 5 6]]，增加一个维度np.vstack([a, b])         # 垂直拼接，按行np.hstack([a, b])         # 水平拼接，按列

运算：向量化才是精髓

NumPy 的核心优势是「向量化运算」——不用写循环，直接对整个数组操作：

a = np.array([1, 2, 3, 4, 5])a * 2          # [ 2  4  6  8 10]，每个元素都乘2a ** 2         # [ 1  4  9 16 25]，每个元素平方np.sqrt(a)     # [1.   1.41 1.73 2.   2.24]，开根号np.exp(a)      # 指数运算np.log(a)      # 对数运算

两个数组之间也能直接运算：

a = np.array([1, 2, 3])b = np.array([4, 5, 6])a + b          # [5 7 9]a * b          # [4 10 18]，对应位置相乘，不是矩阵乘法！a.dot(b)       # 32，点积（矩阵乘法用这个）

注意：* 是逐元素相乘，矩阵乘法用 @ 或者 .dot()。这个坑我见过好几个人踩。

常用统计函数

arr = np.array([3, 1, 4, 1, 5, 9, 2, 6])arr.mean()     # 平均值 3.875arr.sum()      # 求和 31arr.max()      # 最大值 9arr.min()      # 最小值 1arr.std()      # 标准差arr.var()      # 方差np.median(arr) # 中位数 3.5np.percentile(arr, 75)  # 75%分位数

多维数组可以指定轴方向：

matrix = np.array([[1, 2, 3],                   [4, 5, 6]])matrix.sum(axis=0)  # 按列求和 → [5 7 9]matrix.sum(axis=1)  # 按行求和 → [6 15]

广播机制：不同形状也能运算

NumPy 有个很爽的特性叫「广播」——形状不同的数组也能运算：

matrix = np.array([[1, 2, 3],                   [4, 5, 6],                   [7, 8, 9]])vector = np.array([10, 20, 30])matrix + vector# [[11 22 33]#  [14 25 36]#  [17 28 39]]

vector 自动「广播」到每一行。不用手动循环，代码干净很多。

写在最后

NumPy 的东西很多，但核心就这几个：创建数组、切片索引、向量化运算、统计函数。掌握了这些，80% 的场景都能搞定。

剩下的高级特性（如结构化数组、高级索引、线性代数），用到再查文档就行。