numpy是python科学计算的核心库，支持高效多维数组操作。通过np.Array、zeros、ones、arange、linspace、random等函数创建数组；支持向量化运算如加减乘除、幂运算和矩阵乘法（@或np.dot）；提供索引切片及布尔索引功能；常用统计函数包括sum、mean、std、max、min及argmax、argmin；可使用reshape和transpose调整数组形状。掌握这些基础操作有助于高效数据处理。
NumPy 是 Python 中用于科学计算的核心库之一，尤其擅长处理多维数组和矩阵运算。它提供了高效的数组操作功能，是数据分析、机器学习等领域不可或缺的工具。下面通过基本操作与实例讲解，带你快速掌握 NumPy 的常用用法。
创建数组
NumPy 的核心是 ndarray 对象，即多维数组。可以通过多种方式创建数组：
- np.array()：将列表或元组转换为数组
- np.zeros()：创建全零数组
- np.ones()：创建全一数组
- np.arange()：生成等差数组
- np.linspace()：生成等间隔数值序列
- np.random.rand()：生成随机数组
示例：
import numpy as np <h1>创建一维数组</h1><p>arr1 = np.array([1, 2, 3]) print(arr1) # [1 2 3]</p><h1>创建二维数组</h1><p>arr2 = np.array([[1, 2], [3, 4]]) print(arr2)</p><h1>全零数组</h1><p>zeros = np.zeros((2, 3)) print(zeros)</p><h1>从 0 到 10 的等差数列，共 5 个数</h1><p>linspace = np.linspace(0, 10, 5) print(linspace) # [ 0. 2.5 5. 7.5 10. ]</p>
数组的基本操作
NumPy 支持丰富的数学运算和数组操作，且无需循环即可对整个数组进行操作（向量化）。
立即学习“Python免费学习笔记（深入）”；
- 加减乘除：直接使用 +, –, *, /
- 幂运算：**
- 矩阵乘法：np.dot() 或 @
- 广播机制：不同形状数组间运算（在兼容条件下）
示例：
a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) <p>print(a + b) # [5 7 9] print(a * 2) # [2 4 6] print(a ** 2) # [1 4 9]</p><h1>二维矩阵乘法</h1><p>A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) print(A @ B) # 等价于 np.dot(A, B)</p>
索引与切片
NumPy 数组支持类似 Python 列表的索引和切片，但扩展到多维。
- 一维数组：用 [i] 取值，[start:stop:step] 切片
- 多维数组：用逗号分隔各维度，如 [行, 列]
- 布尔索引：用条件筛选元素
示例：
arr = np.array([10, 20, 30, 40, 50]) <p>print(arr[0]) # 10 print(arr[1:4]) # [20 30 40]</p><h1>二维数组</h1><p>mat = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) print(mat[1, 2]) # 6 (第2行第3列) print(mat[:, 1]) # 第二列 [2 5 8]</p><h1>布尔索引</h1><p>mask = arr > 30 print(arr[mask]) # [40 50]</p>
常用函数与统计操作
NumPy 提供大量内置函数用于数学和统计计算。
- np.sum(), np.mean(), np.std()：求和、均值、标准差
- np.max(), np.min()：最大最小值
- np.argmax(), np.argmin()：返回最值索引
- np.reshape()：改变数组形状
- np.transpose()：转置数组
示例：
data = np.array([1, 2, 3, 4, 5]) <p>print(np.sum(data)) # 15 print(np.mean(data)) # 3.0 print(np.std(data)) # 1.414...</p><h1>改变形状</h1><p>arr = np.arange(6) reshaped = arr.reshape((2, 3)) print(reshaped)</p>
基本上就这些。掌握这些基础操作后，你就能高效地使用 NumPy 处理数据了。不复杂但容易忽略细节，建议多动手练习。