NumPy数组创建与操作实战：Python科学计算从入门到进阶

脚本专家

NumPy是Python科学计算的核心库，其高性能多维数组对象ndarray和向量化运算能大幅提升计算效率。本文将系统讲解NumPy数组的创建、操作、统计、文件IO及高级技巧，适合需要处理数值数据的Python开发者。

一、核心数据结构：ndarray

ndarray是一个同构数据的多维容器。先导入NumPy。

2. import numpy as np
3. # 从列表或元组创建一维、二维数组
4. arr_from_list = np.array([1, 2, 3, 4, 5])
5. arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
6. # 特殊数组：全0、全1、满值、单位矩阵、等差数列、等间隔数列
7. zeros_arr = np.zeros((3, 4))  # 3行4列全0
8. ones_arr = np.ones((2, 3))   # 2行3列全1
9. full_arr = np.full((2, 2), 7) # 2x2所有元素为7
10. eye_arr = np.eye(3)          # 3x3单位矩阵
11. arange_arr = np.arange(0, 10, 2)  # [0,2,4,6,8]
12. linspace_arr = np.linspace(0, 1, 5)  # [0., 0.25, 0.5, 0.75, 1.]

复制代码

数组属性是操作基础：

2. arr = np.array([[1,2,3],[4,5,6]])
3. print("维度:",arr.ndim)    # 2
4. print("形状:",arr.shape)  # (2,3)
5. print("元素总数:",arr.size) # 6
6. print("数据类型:",arr.dtype) # int64

复制代码

二、数组索引与切片

支持类似Python列表的索引和切片，但多维数组更灵活。

2. arr = np.array([10,20,30,40,50])
3. print(arr[0])      # 10
4. print(arr[-1])     # 50
5. print(arr[1:4])    # [20 30 40]
6. print(arr[::2])    # [10 30 50]
7. # 多维索引与切片
8. arr_2d = np.array([[1,2,3],[4,5,6],[7,8,9]])
9. print(arr_2d[0,1])      # 2
10. print(arr_2d[1])        # [4 5 6]
11. print(arr_2d[:,1])      # [2 5 8]
12. print(arr_2d[0:2,1:3])  # [[2 3] [5 6]]

复制代码

三、数组操作与变形

3.1 形状操作

2. arr = np.arange(12)
3. print(arr)  # [0 1 2 3 4 5 6 7 8 9 10 11]
4. reshaped = arr.reshape(3,4)
5. print(reshaped)
6. # 展平：flatten返回新数组，ravel返回视图
7. flattened = reshaped.flatten()
8. raveled = reshaped.ravel()
9. print("展平后:",flattened)
10. print("ravel:",raveled)
11. # 转置
12. transposed = reshaped.T
13. print(transposed)

复制代码

3.2 拼接与分割

2. a = np.array([[1,2],[3,4]])
3. b = np.array([[5,6],[7,8]])
4. # 垂直拼接（沿轴0）
5. v_stack = np.vstack((a,b))
6. print("垂直拼接:\n",v_stack)
7. # 水平拼接（沿轴1）
8. h_stack = np.hstack((a,b))
9. print("水平拼接:\n",h_stack)
10. # 数组分割
11. arr = np.arange(9).reshape(3,3)
12. split_arr = np.split(arr,3,axis=0)
13. print("沿行分割:",split_arr)

复制代码

四、通用函数(ufunc)与广播

通用函数对数组逐元素运算，广播机制允许不同形状数组运算。

2. arr = np.array([1.0,4.0,9.0])
3. print("平方根:",np.sqrt(arr))  # [1. 2. 3.]
4. print("指数:",np.exp(arr))
5. print("正弦:",np.sin(arr))
6. # 广播：形状(2,3)与(3,)相加
7. a = np.array([[1,2,3],[4,5,6]])
8. b = np.array([10,20,30])
9. print("广播加法:\n",a+b)  # b被广播为[[10,20,30],[10,20,30]]

复制代码

五、数学与统计函数

2. arr = np.array([[1,2,3],[4,5,6]])
3. print("总和:",np.sum(arr))            # 21
4. print("列和:",np.sum(arr,axis=0))    # [5 7 9]
5. print("行和:",np.sum(arr,axis=1))    # [6 15]
6. print("平均值:",np.mean(arr))         # 3.5
7. print("标准差:",np.std(arr))
8. print("最小值:",np.min(arr))
9. print("最大值:",np.max(arr))
10. print("累积和:",np.cumsum(arr))       # [1 3 6 10 15 21]
11. print("累积积:",np.cumprod(arr))

复制代码

六、随机数生成

使用random模块，支持多种分布。

2. np.random.seed(42)  # 设置种子保证可复现
3. # 均匀分布[0,1)
4. uniform_arr = np.random.rand(3,4)
5. uniform_range = np.random.uniform(5.0,10.0,size=(2,3))
6. # 标准正态分布
7. normal_arr = np.random.randn(5)
8. normal_custom = np.random.normal(loc=100,scale=15,size=1000)
9. # 随机整数[0,10)
10. int_arr = np.random.randint(0,10,size=7)
11. # 带概率的随机选择
12. choices = np.random.choice(['a','b','c','d'],size=10,p=[0.1,0.2,0.3,0.4])

复制代码

七、排序与搜索

2. arr = np.array([3,1,4,1,5,9,2])
3. sorted_arr = np.sort(arr)  # 返回新数组
4. print(sorted_arr)  # [1 1 2 3 4 5 9]
5. print(arr)         # 原数组不变
6. arr.sort()         # 原地排序
7. print(arr)         # [1 1 2 3 4 5 9]
8. # 多维排序
9. arr_2d = np.array([[3,1,4],[1,5,9]])
10. print(np.sort(arr_2d,axis=0))  # 按列排序
11. print(np.sort(arr_2d,axis=1))  # 按行排序
12. # 获取排序索引
13. arr = np.array([30,10,40])
14. indices = np.argsort(arr)
15. print(indices)  # [1 0 2]

复制代码

八、文件输入输出

支持文本和二进制格式。

2. arr = np.array([[1,2,3],[4,5,6]])
3. # 保存为文本文件（逗号分隔）
4. np.savetxt('data.txt',arr,delimiter=',',fmt='%d')
5. # 加载文本文件
6. loaded = np.loadtxt('data.txt',delimiter=',',dtype=np.int32)
7. print(loaded)
8. # 二进制文件保存数据类型和形状
9. np.save('data_binary.npy',arr)
10. loaded_bin = np.load('data_binary.npy')
11. print(loaded_bin)

复制代码

九、高级技巧

9.1 布尔索引与花式索引

2. arr = np.array([1,2,3,4,5,6])
3. mask = arr > 3
4. print(mask)  # [False False False  True  True  True]
5. print(arr[mask])  # [4 5 6]
6. print(arr[arr%2==0])  # [2 4 6]
7. # 花式索引
8. indices = [0,2,4]
9. print(arr[indices])  # [1 3 5]
10. arr_2d = np.arange(12).reshape(3,4)
11. print(arr_2d[[0,2]])  # 第0和第2行
12. print(arr_2d[[0,2],[1,3]])  # 取(0,1)和(2,3)位置元素 [1 11]

复制代码

9.2 线性代数运算

2. a = np.array([[1,2],[3,4]])
3. b = np.array([[5,6],[7,8]])
4. dot = np.dot(a,b)  # 等价于 a@b
5. print("矩阵乘法:\n",dot)
6. print("转置:\n",a.T)
7. print("逆矩阵:\n",np.linalg.inv(a))
8. print("行列式:",np.linalg.det(a))
9. print("特征值、特征向量:",np.linalg.eig(a))

复制代码

9.3 数组去重与集合运算

2. arr = np.array([1,2,2,3,4,4,4,5])
3. print("唯一值:",np.unique(arr))  # [1 2 3 4 5]
4. print("出现次数(非负整数):",np.bincount(arr))  # 索引为值，元素为次数
5. a = np.array([1,2,3,4,5])
6. b = np.array([3,4,5,6,7])
7. print("交集:",np.intersect1d(a,b))  # [3 4 5]
8. print("并集:",np.union1d(a,b))      # [1 2 3 4 5 6 7]
9. print("差集(a-b):",np.setdiff1d(a,b))  # [1 2]

复制代码

以上就是NumPy数组的完整操作指南。掌握这些基础，你就能高效处理数值计算任务。更多NumPy进阶用法可参考官方文档。

热心网友1

感谢分享这么全面的NumPy教程！从基础创建到广播机制再到统计函数，覆盖得很系统，对新手和老手都有参考价值。尤其喜欢你把reshape、flatten和ravel的区别讲清楚了，很多人容易在这上面踩坑。另外想问一下，在实际数据处理中，你更倾向于用flatten还是ravel来展平数组？有没有遇到过广播导致数据维度不符合预期的陷阱？期待继续交流！

热心网友1

楼主这份NumPy教程写得非常系统，从创建到高级操作都覆盖到了，很适合刚入门科学计算的同学。我个人觉得广播机制那一块如果能再举个三维数组的例子会更直观，比如 (3,1,4) 和 (1,5,4) 广播成 (3,5,4) 的过程。另外，数组切片返回的是视图，修改视图会影响原数组，这一点对新手容易踩坑，楼主有没有遇到过这类问题？

热心网友1

感谢楼主分享这么系统的NumPy教程，从创建到高级操作都讲得很清楚，特别是广播机制的例子很直观，帮我理解了不少之前模糊的地方。我平时也常用NumPy处理数据，想问一下对于超大数组（比如几十GB）没法一次性加载进内存时，有什么推荐的处理方式吗？比如用np.memmap或者配合HDF5？希望楼主能再聊聊这方面的实战经验。