NumPy 快速入门
高性能数值计算库
1. NumPy 简介
1.1 什么是 NumPy？
NumPy（Numerical Python）是 Python 科学计算的基础库，提供高性能的多维数组对象和数学运算功能。
核心特点：
- 🚀 高性能：底层用 C 语言实现，比 Python 列表快 10-100 倍
- 📊 多维数组：提供强大的 ndarray 对象
- 🔢 数学函数：丰富的数学、统计、线性代数函数
- 🔗 广播机制：自动处理不同形状的数组运算
- 🎯 内存高效：连续内存存储，占用空间小
1.2 为什么使用 NumPy？
python
# Python 列表 vs NumPy 数组
import numpy as np
import time
# Python 列表
python_list = list(range(1000000))
start = time.time()
result = [x * 2 for x in python_list]
print(f"Python 列表: {time.time() - start:.4f}秒")
# NumPy 数组
numpy_array = np.arange(1000000)
start = time.time()
result = numpy_array * 2
print(f"NumPy 数组: {time.time() - start:.4f}秒")
# NumPy 通常快 10-100 倍2. 安装与导入
2.1 安装 NumPy
bash
# 使用 pip 安装
pip install numpy
# 使用 conda 安装
conda install numpy2.2 导入 NumPy
python
import numpy as np
# 查看版本
print(np.__version__)3. 创建数组
3.1 从列表创建
python
import numpy as np
# 一维数组
arr1 = np.array([1, 2, 3, 4, 5])
print(arr1) # [1 2 3 4 5]
# 二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2)
# [[1 2 3]
# [4 5 6]]
# 三维数组
arr3 = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(arr3.shape) # (2, 2, 2)3.2 使用内置函数创建
python
# 全零数组
zeros = np.zeros((3, 4))
print(zeros)
# 全一数组
ones = np.ones((2, 3))
print(ones)
# 指定值填充
full = np.full((2, 2), 7)
print(full) # [[7 7] [7 7]]
# 单位矩阵
identity = np.eye(3)
print(identity)
# 等差数列
arange = np.arange(0, 10, 2) # 起始、结束、步长
print(arange) # [0 2 4 6 8]
# 等间隔数列
linspace = np.linspace(0, 1, 5) # 起始、结束、数量
print(linspace) # [0. 0.25 0.5 0.75 1. ]
# 随机数组
random = np.random.rand(2, 3) # 0-1 之间的随机数
print(random)
random_int = np.random.randint(0, 10, (3, 3)) # 随机整数
print(random_int)4. 数组属性
python
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape) # (2, 3) - 形状
print(arr.ndim) # 2 - 维度
print(arr.size) # 6 - 元素总数
print(arr.dtype) # int64 - 数据类型
print(arr.itemsize) # 8 - 每个元素字节数
print(arr.nbytes) # 48 - 总字节数5. 数组索引与切片
5.1 基础索引
python
arr = np.array([1, 2, 3, 4, 5])
print(arr[0]) # 1 - 第一个元素
print(arr[-1]) # 5 - 最后一个元素
print(arr[1:4]) # [2 3 4] - 切片
print(arr[::2]) # [1 3 5] - 步长为 25.2 多维数组索引
python
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr[0, 0]) # 1 - 第一行第一列
print(arr[1, 2]) # 6 - 第二行第三列
print(arr[0]) # [1 2 3] - 第一行
print(arr[:, 0]) # [1 4 7] - 第一列
print(arr[0:2, 1:3]) # [[2 3] [5 6]] - 切片5.3 布尔索引
python
arr = np.array([1, 2, 3, 4, 5])
# 条件筛选
mask = arr > 3
print(mask) # [False False False True True]
print(arr[mask]) # [4 5]
# 直接使用条件
print(arr[arr > 3]) # [4 5]
print(arr[(arr > 2) & (arr < 5)]) # [3 4]6. 数组运算
6.1 基础运算
python
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
print(arr1 + arr2) # [5 7 9] - 加法
print(arr1 - arr2) # [-3 -3 -3] - 减法
print(arr1 * arr2) # [4 10 18] - 乘法
print(arr1 / arr2) # [0.25 0.4 0.5] - 除法
print(arr1 ** 2) # [1 4 9] - 幂运算6.2 矩阵运算
python
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
# 矩阵乘法
print(np.dot(A, B)) # 或 A @ B
# [[19 22]
# [43 50]]
# 转置
print(A.T)
# [[1 3]
# [2 4]]
# 逆矩阵
print(np.linalg.inv(A))
# 行列式
print(np.linalg.det(A))7. 统计函数
python
arr = np.array([1, 2, 3, 4, 5])
print(np.sum(arr)) # 15 - 求和
print(np.mean(arr)) # 3.0 - 平均值
print(np.median(arr)) # 3.0 - 中位数
print(np.std(arr)) # 1.41... - 标准差
print(np.var(arr)) # 2.0 - 方差
print(np.min(arr)) # 1 - 最小值
print(np.max(arr)) # 5 - 最大值
print(np.argmin(arr)) # 0 - 最小值索引
print(np.argmax(arr)) # 4 - 最大值索引8. 数组形状操作
python
arr = np.array([[1, 2, 3], [4, 5, 6]])
# 重塑
reshaped = arr.reshape(3, 2)
print(reshaped)
# [[1 2]
# [3 4]
# [5 6]]
# 展平
flattened = arr.flatten()
print(flattened) # [1 2 3 4 5 6]
# 转置
transposed = arr.T
print(transposed)
# [[1 4]
# [2 5]
# [3 6]]9. 数组拼接与分割
python
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
# 垂直拼接
vstack = np.vstack((arr1, arr2))
print(vstack)
# [[1 2]
# [3 4]
# [5 6]
# [7 8]]
# 水平拼接
hstack = np.hstack((arr1, arr2))
print(hstack)
# [[1 2 5 6]
# [3 4 7 8]]
# 分割
arr = np.array([1, 2, 3, 4, 5, 6])
split = np.split(arr, 3)
print(split) # [array([1, 2]), array([3, 4]), array([5, 6])]文档版本: v1.0 最后更新: 2026-01-16 作者: Claude Code