Python怎么使用NumPy库_NumPy数组操作教程一览

NumPy是Python科学计算的核心库，提供高性能多维数组ndarray及向量化操作工具。通过import numpy as np导入后，可使用np.array()、np.zeros()、np.ones()、np.linspace()等函数创建数组，相比Python列表，ndarray存储同类型数据，内存连续，计算效率更高。支持元素级运算、广播机制、布尔索引和reshape等形状操作，聚合函数如sum、mean可沿指定轴计算，linalg模块支持矩阵运算，广泛应用于数据分析与机器学习。

NumPy是Python进行科学计算的核心库，它提供了一个高性能的多维数组对象（ndarray）以及用于处理这些数组的工具。简单来说，如果你想在Python里高效地处理大量数值数据，尤其是进行向量化操作，NumPy几乎是不可或缺的选择。它让复杂的数学运算变得简洁而快速。

要使用NumPy，第一步自然是导入它：

import numpy as np

np

ndarray

ndarray

我们通常通过几种方式创建NumPy数组。最直接的是从Python列表转换：

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

np.zeros((3, 4))

np.ones((2, 2))

np.arange(0, 10, 2)

np.linspace(0, 1, 5)

一旦有了数组，操作就变得非常直观。NumPy支持元素级的数学运算，这意味着你可以直接对整个数组进行加减乘除，而不需要写循环。例如，

arr * 2

立即学习“Python免费学习笔记（深入）”；

索引和切片也与Python列表类似，但功能更强大。你可以用

arr[0]

arr[1:3]

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

matrix[0, 1]

arr[arr > 5]

数组的形状（shape）操作也是日常。

arr.shape

arr.reshape((new_rows, new_cols))

reshape

NumPy数组与Python列表：性能与用途的深层考量

我们经常会遇到一个问题：既然Python有列表，为什么还需要NumPy数组？这其实是效率和功能定位的根本区别。Python列表在设计上是为了通用性，它可以存储任何类型的对象，并且大小是动态变化的。这种灵活性是以牺牲性能为代价的。当你处理几十万、上百万甚至上亿的数值数据时，Python列表的迭代和计算会变得异常缓慢，内存占用也高得惊人。

NumPy数组则完全不同。它的核心是一个固定大小、同质类型元素的连续内存块。这意味着数据存储更紧凑，处理器可以更高效地访问和操作这些数据。这种“同质性”是关键，它允许NumPy在底层使用高度优化的C/Fortran代码来执行向量化操作，比如矩阵乘法、元素级运算等，其速度比Python的for循环快上几十甚至几百倍。

从用途上看，Python列表更适合存储异构数据集合，比如一个包含字符串、数字、对象混合的购物车列表。而NumPy数组则专注于数值计算，是科学计算、数据分析、机器学习领域的基础。无论是处理图像像素、音频信号、股票数据，还是训练神经网络，NumPy都提供了坚实而高效的底层支持。可以说，没有NumPy，Python在科学计算领域的地位会大打折扣。所以，不是说谁取代谁，而是它们各司其职，相辅相成。

掌握NumPy数组的创建技巧：从基础到进阶

创建NumPy数组远不止从Python列表转换那么简单。了解不同的创建方法，可以让我们更灵活、更高效地生成所需的数据结构。除了

np.array()

一览AI绘图

一览AI绘图是一览科技推出的AIGC作图工具，用AI灵感助力，轻松创作高品质图片

45

查看详情

比如，

np.zeros(shape)

np.ones(shape)

np.full(shape, fill_value)

对于序列数据，

np.arange(start, stop, step)

range()

np.linspace(start, stop, num)

np.linspace(0, 10, 50)

随机数生成也是NumPy的强项。

np.random.rand(d0, d1, ...)

np.random.randn(d0, d1, ...)

np.random.randint(low, high, size)

此外，还有

np.empty(shape)

理解这些创建函数，能让我们在面对不同的数据初始化需求时，选择最合适、最有效的方法，避免不必要的性能损耗。

NumPy数组的高级操作：广播、聚合与线性代数

NumPy的魅力不仅在于基本的创建和索引，更在于它提供了一系列强大的高级操作，让复杂的数据处理变得简洁高效。

广播（Broadcasting）是我认为NumPy最“魔幻”的特性之一。它允许NumPy在执行算术运算时，自动处理形状不同的数组。举个例子，一个形状为

(3, 4)

(4,)

聚合函数（Aggregation Functions）也是日常数据分析的利器。

arr.sum()

arr.mean()

arr.max()

arr.min()

arr.std()

axis

matrix.sum(axis=0)

matrix.sum(axis=1)

线性代数操作是NumPy另一个核心优势。

np.dot(a, b)

@

np.matmul(a, b)

linalg

np.linalg.inv()

np.linalg.det()

np.linalg.eig()

深入理解这些高级操作，能够让你充分发挥NumPy的潜力，解决那些用纯Python列表处理起来会非常繁琐和低效的问题。它们是NumPy之所以强大的真正原因。

以上就是Python怎么使用NumPy库_NumPy数组操作教程一览的详细内容，更多请关注php中文网其它相关文章！