NumPy：Python科学计算的基石，快速掌握核心操作！-CSDN博客

什么是NumPy？

NumPy（Numerical Python）是Python科学计算的核心库，提供了高性能的多维数组对象ndarray以及丰富的数学函数库。它是Pandas、SciPy、Scikit-learn等众多数据科学库的基础，专为处理大规模数值计算而设计。

NumPy的三大核心优势：

高性能数组：底层用C语言实现，运算速度远超Python原生列表
广播机制：智能实现不同形状数组间的运算
矢量化操作：避免低效循环，用数组表达式替代显式循环

安装NumPy

pip install numpy

核心操作指南

1. 创建数组

import numpy as np

# 从列表创建
arr1 = np.array([1, 2, 3])  # 一维数组

# 特殊数组
zeros = np.zeros((2, 3))    # 2x3全0数组
ones = np.ones((3,))        # 全1一维数组
identity = np.eye(3)        # 3x3单位矩阵

# 序列数组
range_arr = np.arange(0, 10, 2)  # [0, 2, 4, 6, 8]
linspace_arr = np.linspace(0, 1, 5)  # [0., 0.25, 0.5, 0.75, 1.]

2. 数组属性查看

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

print(arr.shape)    # (2, 3)  数组维度
print(arr.ndim)     # 2       维度数量
print(arr.size)     # 6       元素总数
print(arr.dtype)    # int64   数据类型

3. 索引与切片

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

# 基本索引
print(arr[0, 1])   # 2 → 第0行第1列

# 切片操作
print(arr[:2, 1:]) 
# 输出：[[2 3]
#       [5 6]]

# 布尔索引
mask = arr > 5
print(arr[mask])   # [6 7 8 9]

4. 形状操作

arr = np.arange(6)

# 改变形状
arr_3x2 = arr.reshape(3, 2)
# [[0 1]
#  [2 3]
#  [4 5]]

# 展平数组
flattened = arr_3x2.flatten()  # [0 1 2 3 4 5]

# 转置矩阵
transposed = arr_3x2.T
# [[0 2 4]
#  [1 3 5]]

5. 数学运算

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

# 元素级运算
print(a + b)   # [5 7 9]
print(a * 2)   # [2 4 6]
print(np.sin(a))  # 三角函数

# 矩阵乘法
mat_a = np.array([[1, 2], [3, 4]])
mat_b = np.array([[5, 6], [7, 8]])
print(mat_a @ mat_b)  # 或 np.dot(mat_a, mat_b)
# [[19 22]
#  [43 50]]

# 统计运算
arr = np.array([[1, 2], [3, 4]])
print(np.mean(arr))     # 2.5 平均值
print(np.sum(axis=0))   # [4 6] 列求和
print(np.max(axis=1))   # [2 4] 行最大值

6. 广播机制实例

# 3x3矩阵 + 1x3行向量 → 自动广播
matrix = np.array([[1, 2, 3], 
                   [4, 5, 6], 
                   [7, 8, 9]])
row_vector = np.array([10, 20, 30])

result = matrix + row_vector
# [[11 22 33]
#  [14 25 36]
#  [17 28 39]]