深入解析NumPy中數(shù)組的核心概念與操作技巧

更新時間：2026年05月07日 09:53:22 作者：小莊-Python辦公

這篇文章主要為大家詳細介紹了NumPy數(shù)組的核心概念與操作技巧,主要內(nèi)容包括?NumPy數(shù)組（ndarray）與Python列表的本質(zhì)區(qū)別,文中的示例代碼講解詳細,感興趣的小伙伴可以了解下

本節(jié)學習目標

完成本節(jié)學習后，你將能夠：

理解 NumPy 數(shù)組（ndarray）與 Python 原生列表的本質(zhì)區(qū)別
熟練創(chuàng)建各種類型的 NumPy 數(shù)組
掌握 NumPy 的常用數(shù)據(jù)類型及其轉(zhuǎn)換方法
進行數(shù)組的基本運算和聚合操作
理解并運用廣播機制
使用常用數(shù)學和統(tǒng)計函數(shù)處理數(shù)據(jù)

為什么學這個

如果把數(shù)據(jù)分析比作蓋房子，那么 NumPy 就是磚塊和水泥——它是最基礎(chǔ)、最重要的材料。

你可能聽說過 Python 的列表（list）也能存數(shù)據(jù)，那為什么還要學 NumPy？答案有兩個字：速度和功能。

速度對比：對 100 萬個數(shù)字求和，Python 列表需要約 50 毫秒，NumPy 數(shù)組只需要約 1 毫秒——快了 50 倍。如果數(shù)據(jù)量更大，差距會更驚人。

功能對比：Python 列表只能做簡單的存儲和遍歷，而 NumPy 數(shù)組支持矩陣運算、統(tǒng)計分析、線性代數(shù)等高級操作。

比喻：Python 列表像一個普通收納盒，什么都能裝，但找東西慢；NumPy 數(shù)組像一個智能收納柜，不僅存得快，還能自動幫你分類、計算和查找。

事實上，幾乎所有主流的數(shù)據(jù)分析庫（pandas、scikit-learn、SciPy、TensorFlow）底層都依賴 NumPy。學好 NumPy，就等于掌握了整個數(shù)據(jù)分析生態(tài)的"通用語言"。

認識 ndarray——NumPy 的核心數(shù)據(jù)結(jié)構(gòu)

什么是 ndarray

ndarray（N-dimensional array）是 NumPy 的核心對象，即 N 維數(shù)組。它是一個存儲同類型數(shù)據(jù)的多維容器。

與 Python 列表的區(qū)別：

特性	Python list	NumPy ndarray
數(shù)據(jù)類型	可以混合	必須統(tǒng)一
運算方式	需要循環(huán)	支持向量化
內(nèi)存占用	較大	緊湊
執(zhí)行速度	較慢	極快
功能	基礎(chǔ)	豐富

為什么 ndarray 這么快

內(nèi)存連續(xù)存儲：所有元素在內(nèi)存中緊挨著存放，CPU 可以高效讀?。愃茢?shù)組的"緩存友好"特性）
C 語言底層實現(xiàn)：核心運算由 C 語言編寫，繞過了 Python 的解釋器開銷
并行計算優(yōu)化：底層利用了 CPU 的 SIMD（單指令多數(shù)據(jù)）指令集

ndarray 的三個核心屬性

import numpy as np

# 創(chuàng)建一個二維數(shù)組
arr = np.array([[1, 2, 3],
                [4, 5, 6]])

print("數(shù)組內(nèi)容:")
print(arr)

print(f"\n維度數(shù)量 (ndim): {arr.ndim}")
print(f"形狀 (shape): {arr.shape}")
print(f"元素總數(shù) (size): {arr.size}")
print(f"數(shù)據(jù)類型 (dtype): {arr.dtype}")
print(f"每個元素占字節(jié)數(shù) (itemsize): {arr.itemsize}")
print(f"總內(nèi)存占用 (nbytes): {arr.nbytes}")

輸出結(jié)果：

數(shù)組內(nèi)容:
[[1 2 3]
[4 5 6]]

維度數(shù)量 (ndim): 2
形狀 (shape): (2, 3)
元素總數(shù) (size): 6
數(shù)據(jù)類型 (dtype): int32 (或 int64，取決于系統(tǒng))
每個元素占字節(jié)數(shù) (itemsize): 4
總內(nèi)存占用 (nbytes): 24

理解 shape：(2, 3) 表示這個數(shù)組有 2 行、3 列。類比Excel表格，就是 2 行 3 列的數(shù)據(jù)區(qū)域。

NumPy 數(shù)組的創(chuàng)建方式

方式1：從 Python 列表/元組創(chuàng)建

# 從列表創(chuàng)建一維數(shù)組
arr1 = np.array([1, 2, 3, 4, 5])
print("一維數(shù)組:", arr1)

# 從嵌套列表創(chuàng)建二維數(shù)組
arr2 = np.array([[1, 2, 3],
                 [4, 5, 6]])
print("二維數(shù)組:\n", arr2)

# 從元組創(chuàng)建
arr3 = np.array((10, 20, 30))
print("從元組創(chuàng)建:", arr3)

# 指定數(shù)據(jù)類型
arr4 = np.array([1, 2, 3], dtype=np.float64)
print("指定浮點類型:", arr4)

方式2：使用內(nèi)置函數(shù)創(chuàng)建特殊數(shù)組

# 全零數(shù)組
zeros = np.zeros((3, 4))
print("3x4 全零數(shù)組:\n", zeros)

# 全一數(shù)組
ones = np.ones((2, 3))
print("2x3 全一數(shù)組:\n", ones)

# 指定值的數(shù)組
full = np.full((2, 2), 7)
print("2x2 填充7的數(shù)組:\n", full)

# 單位矩陣（對角線為1，其余為0）
eye = np.eye(3)
print("3x3 單位矩陣:\n", eye)

# 對角矩陣
diag = np.diag([1, 2, 3])
print("對角矩陣:\n", diag)

方式3：生成數(shù)值序列

# arange：類似 range，但返回數(shù)組
print("arange(10):", np.arange(10))
print("arange(2, 10, 2):", np.arange(2, 10, 2))
# 輸出: [2 4 6 8]

# linspace：生成等間距數(shù)列（包含終點）
print("linspace(0, 1, 5):", np.linspace(0, 1, 5))
# 輸出: [0.   0.25 0.5  0.75 1.  ]

# logspace：生成等比數(shù)列
print("logspace(0, 2, 5):", np.logspace(0, 2, 5))
# 輸出: [  1.    3.16  10.   31.6  100.  ]

# 實際應用場景：生成 x 軸坐標用于畫圖
x = np.linspace(-np.pi, np.pi, 100)  # -π 到 π，100個點
print(f"用于繪圖的 x 軸: {len(x)} 個點")

方式4：生成隨機數(shù)組

np.random.seed(42)  # 設置隨機種子，保證結(jié)果可復現(xiàn)

# 均勻分布 [0, 1)
rand_uniform = np.random.rand(3, 3)
print("均勻分布隨機數(shù)組:\n", rand_uniform)

# 標準正態(tài)分布（均值0，標準差1）
rand_normal = np.random.randn(3, 3)
print("標準正態(tài)分布:\n", rand_normal)

# 指定范圍的整數(shù)
rand_int = np.random.randint(1, 100, size=(3, 4))
print("1~99 的隨機整數(shù):\n", rand_int)

# 從指定數(shù)組中隨機選擇
choices = np.random.choice(['A', 'B', 'C', 'D'], size=10)
print("隨機選擇:", choices)

# 實際應用：模擬擲骰子 1000 次
dice_rolls = np.random.randint(1, 7, size=1000)
print(f"骰子平均點數(shù): {dice_rolls.mean():.2f}")  # 理論值應接近 3.5

實際場景：隨機數(shù)在數(shù)據(jù)分析中用途廣泛——模擬數(shù)據(jù)、A/B 測試、隨機抽樣、機器學習中的權(quán)重初始化等。

NumPy 數(shù)據(jù)類型

常用數(shù)據(jù)類型一覽

# 整數(shù)類型
print(np.int8(127))       # -128 ~ 127
print(np.int16(32767))    # -32768 ~ 32767
print(np.int32(2147483647))
print(np.int64(9223372036854775807))

# 無符號整數(shù)（只存正數(shù)）
print(np.uint8(255))  # 0 ~ 255

# 浮點數(shù)類型
print(np.float16(3.14))   # 半精度，范圍小
print(np.float32(3.14159))
print(np.float64(3.14159265358979))  # 默認浮點類型

# 布爾類型
print(np.bool_(True))

# 字符串類型
print(np.array(['hello', 'world'], dtype='U5'))  # 最多5個字符

數(shù)據(jù)類型轉(zhuǎn)換

arr = np.array([1, 2, 3, 4, 5])
print(f"原始類型: {arr.dtype}")  # int32 或 int64

# 轉(zhuǎn)換為浮點數(shù)
arr_float = arr.astype(np.float64)
print(f"轉(zhuǎn)換為浮點: {arr_float.dtype}")

# 轉(zhuǎn)換為布爾值
arr_bool = arr.astype(bool)
print(f"轉(zhuǎn)換為布爾: {arr_bool}")

# 轉(zhuǎn)換為字符串
arr_str = arr.astype(str)
print(f"轉(zhuǎn)換為字符串: {arr_str}")

# 注意：精度丟失
arr_big = np.array([1.7, 2.9, 3.1])
arr_int = arr_big.astype(np.int32)
print(f"浮點轉(zhuǎn)整數(shù)(截斷): {arr_int}")  # [1 2 3]，注意不是四舍五入

數(shù)組的基本運算

算術(shù)運算

a = np.array([10, 20, 30, 40])
b = np.array([1, 2, 3, 4])

# 逐元素運算
print("加法:", a + b)     # [11 22 33 44]
print("減法:", a - b)     # [ 9 18 27 36]
print("乘法:", a * b)     # [10 40 90 160]
print("除法:", a / b)     # [10. 10. 10. 10.]
print("整除:", a // b)    # [10 10 10 10]
print("取余:", a % b)     # [0 0 0 0]
print("冪運算:", a ** 2)  # [ 100  400  900 1600]

# 數(shù)組與標量運算
print("加5:", a + 5)      # [15 25 35 45]
print("乘2:", a * 2)      # [20 40 60 80]

比較運算

a = np.array([10, 20, 30, 40, 50])

# 比較運算返回布爾數(shù)組
print("大于25:", a > 25)       # [False False  True  True  True]
print("等于30:", a == 30)      # [False False  True False False]
print("不等于20:", a != 20)    # [ True False  True  True  True]
print("在20~40之間:", (a >= 20) & (a <= 40))
# [False  True  True  True False]

聚合（統(tǒng)計）運算

scores = np.array([85, 92, 78, 96, 88, 73, 95, 81])

print(f"總分: {scores.sum()}")
print(f"平均分: {scores.mean()}")
print(f"標準差: {scores.std():.2f}")
print(f"方差: {scores.var():.2f}")
print(f"最高分: {scores.max()}")
print(f"最低分: {scores.min()}")
print(f"最高分索引: {scores.argmax()}")
print(f"最低分索引: {scores.argmin()}")
print(f"中位數(shù): {np.median(scores)}")
print(f"累計和: {scores.cumsum()}")

多維數(shù)組的軸（axis）概念

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

print("原始矩陣:")
print(matrix)

# axis=0 表示按列（沿著行的方向）
print("\n按列求和 (axis=0):", matrix.sum(axis=0))  # [12 15 18]

# axis=1 表示按行（沿著列的方向）
print("按行求和 (axis=1):", matrix.sum(axis=1))  # [ 6 15 24]

# 不指定 axis 表示對所有元素
print("全部求和:", matrix.sum())  # 45

# 其他聚合函數(shù)同樣支持 axis
print("\n每列最大值:", matrix.max(axis=0))
print("每行平均值:", matrix.mean(axis=1))

理解 axis 的技巧：axis=N 表示"沿著第 N 個維度進行壓縮"。axis=0 就是把"行"壓扁，結(jié)果是每列的統(tǒng)計值；axis=1 就是把"列"壓扁，結(jié)果是每行的統(tǒng)計值。就像用復印機掃描，掃描方向就是被壓扁的方向。

數(shù)組的索引與切片

一維數(shù)組索引

arr = np.array([10, 20, 30, 40, 50, 60])

# 正向索引（從 0 開始）
print("第1個元素:", arr[0])   # 10
print("第3個元素:", arr[2])   # 30

# 負向索引（從 -1 開始，表示倒數(shù)）
print("最后一個元素:", arr[-1])   # 60
print("倒數(shù)第2個:", arr[-2])    # 50

# 切片 [start:stop:step]
print("前3個:", arr[:3])        # [10 20 30]
print("從第3個開始:", arr[2:])   # [30 40 50 60]
print("每隔一個:", arr[::2])     # [10 30 50]
print("反轉(zhuǎn):", arr[::-1])       # [60 50 40 30 20 10]

二維數(shù)組索引

matrix = np.array([[1, 2, 3, 4],
                   [5, 6, 7, 8],
                   [9, 10, 11, 12]])

# [行, 列] 索引
print("第2行第3列:", matrix[1, 2])  # 7

# 行切片
print("第1行:", matrix[0])          # [1 2 3 4]
print("前兩行:\n", matrix[:2])

# 列切片
print("第2列:", matrix[:, 1])       # [2 6 10]
print("第2~3列:\n", matrix[:, 1:3])

# 行列同時切片
print("中間2x2區(qū)域:\n", matrix[1:3, 1:3])
# [[ 6  7]
#  [10 11]]

# 重要：切片返回的是視圖（共享內(nèi)存），修改會影響原數(shù)組
sub = matrix[:2, :2]
sub[0, 0] = 999
print("修改切片后原數(shù)組:\n", matrix)
# 第1行第1列變?yōu)?999

# 如果需要副本，使用 .copy()
sub_copy = matrix[:2, :2].copy()
sub_copy[0, 0] = 0
print("修改副本后原數(shù)組不變:", matrix[0, 0])  # 仍是 999

廣播機制（Broadcasting）——NumPy 的魔法

什么是廣播

廣播是 NumPy 對不同形狀數(shù)組進行運算時的一種自動擴展機制。它讓不同大小的數(shù)組也能"配對"運算。

比喻：廣播就像拼圖時的"自動適配"——如果你有一塊大畫布和一個小印章，廣播會自動把印章在畫布上重復蓋，直到覆蓋整個畫布。

廣播規(guī)則

如果兩個數(shù)組維度數(shù)不同，在維度較少的數(shù)組前面補 1
如果某個維度上大小不同，且其中一個為 1，則該維度可擴展以匹配另一個
如果某個維度上大小不同，且都不為 1，則無法廣播（報錯）

代碼示例

# 場景1：數(shù)組 + 標量（最簡單的廣播）
arr = np.array([1, 2, 3])
print("數(shù)組 + 10:", arr + 10)  # [11 12 13]
# 內(nèi)部過程: 10 被廣播為 [10, 10, 10]

# 場景2：二維數(shù)組 + 一維數(shù)組
matrix = np.array([[1, 2, 3],
                   [4, 5, 6]])
row_add = np.array([10, 20, 30])
print("每行加 [10,20,30]:")
print(matrix + row_add)
# [[11 22 33]
#  [14 25 36]]

# 場景3：列向量 + 行向量（生成矩陣）
col = np.array([[1], [2], [3]])  # 形狀 (3, 1)
row = np.array([10, 20, 30])     # 形狀 (3,)
print("列向量 + 行向量 (廣播生成矩陣):")
print(col + row)
# [[11 21 31]
#  [12 22 32]
#  [13 23 33]]

# 場景4：實際應用——成績標準化
scores = np.array([[85, 90, 78],
                   [92, 88, 95],
                   [76, 82, 88]])
mean_per_subject = scores.mean(axis=0)  # 每科平均分
print("每科平均分:", mean_per_subject)

# 每個學生每科減去該科平均分（廣播）
centered = scores - mean_per_subject
print("中心化后的分數(shù):\n", np.round(centered, 1))

廣播失敗的情況

# 這種情況無法廣播
try:
    a = np.array([[1, 2, 3],    # 形狀 (2, 3)
                  [4, 5, 6]])
    b = np.array([1, 2])         # 形狀 (2,)
    result = a + b
except ValueError as e:
    print("廣播失敗:", e)
# 原因: 最后一維度 3 != 2，且都不是 1

常用數(shù)學函數(shù)

x = np.array([0, np.pi/6, np.pi/4, np.pi/3, np.pi/2])

# 三角函數(shù)
print("sin(x):", np.sin(x))
print("cos(x):", np.round(np.cos(x), 4))
print("tan(x):", np.round(np.tan(x), 4))

# 指數(shù)和對數(shù)
print("\ne^x:", np.round(np.exp(x), 4))
print("ln(x+1):", np.round(np.log(x + 1), 4))
print("log10(x+1):", np.round(np.log10(x + 1), 4))

# 舍入函數(shù)
numbers = np.array([1.2, 2.5, 3.7, 4.49, 5.5])
print("\n原始數(shù)據(jù):", numbers)
print("四舍五入:", np.round(numbers))
print("向上取整:", np.ceil(numbers))
print("向下取整:", np.floor(numbers))
print("截斷取整:", np.trunc(numbers))

# 絕對值和符號
neg = np.array([-3, -2, -1, 0, 1, 2, 3])
print("\n絕對值:", np.abs(neg))
print("符號函數(shù):", np.sign(neg))

代碼示例：綜合實戰(zhàn)

實戰(zhàn)1：學生成績分析系統(tǒng)

import numpy as np

# 模擬一個班級30名學生、5門課程的成績
np.random.seed(42)
n_students = 30
n_subjects = 5
subjects = ['語文', '數(shù)學', '英語', '物理', '化學']

# 生成成績（正態(tài)分布，均值70，標準差15）
scores = np.random.normal(70, 15, (n_students, n_subjects))
scores = np.clip(scores, 0, 100)  # 限制在0~100之間
scores = np.round(scores, 1)

print("=" * 50)
print("學生成績分析系統(tǒng)")
print("=" * 50)

# 1. 每科的基本統(tǒng)計
print("\n各科統(tǒng)計:")
for i, subject in enumerate(subjects):
    col = scores[:, i]
    print(f"  {subject}: 平均={col.mean():.1f}, "
          f"最高={col.max():.1f}, 最低={col.min():.1f}, "
          f"標準差={col.std():.1f}")

# 2. 每個學生的總分和平均分
total_scores = scores.sum(axis=1)
avg_scores = scores.mean(axis=1)
print(f"\n班級總平均分: {avg_scores.mean():.1f}")
print(f"最高總分: {total_scores.max():.1f}")
print(f"最低總分: {total_scores.min():.1f}")

# 3. 找出每科最高分的學生
for i, subject in enumerate(subjects):
    best_student = scores[:, i].argmax()
    print(f"  {subject}最高分: 學生{best_student+1}號 ({scores[best_student, i]}分)")

# 4. 成績分布分析
print(f"\n成績等級分布:")
def get_grade(score):
    if score >= 90: return '優(yōu)秀'
    elif score >= 80: return '良好'
    elif score >= 60: return '及格'
    else: return '不及格'

grades_flat = np.array([get_grade(s) for s in scores.flatten()])
for grade in ['優(yōu)秀', '良好', '及格', '不及格']:
    count = (grades_flat == grade).sum()
    pct = count / len(grades_flat) * 100
    print(f"  {grade}: {count}人 ({pct:.1f}%)")

實戰(zhàn)2：矩陣運算——圖像灰度處理

import numpy as np

# 模擬一張 4x4 的 RGB 圖像（每個像素有 R, G, B 三個通道）
# 形狀: (高, 寬, 通道數(shù))
np.random.seed(42)
image = np.random.randint(0, 256, (4, 4, 3), dtype=np.uint8)

print("原始RGB圖像 (4x4):")
print(image[:, :, 0])  # 顯示 R 通道

# 灰度轉(zhuǎn)換公式: Gray = 0.299*R + 0.587*G + 0.114*B
weights = np.array([0.299, 0.587, 0.114])

# 使用點積進行灰度轉(zhuǎn)換（廣播）
gray = np.dot(image, weights)
gray = np.round(gray).astype(np.uint8)

print("\n灰度圖像:")
print(gray)

# 二值化處理：設定閾值128
binary = (gray > 128).astype(np.uint8) * 255
print("\n二值化圖像 (閾值128):")
print(binary)

實戰(zhàn)練習

練習1：數(shù)組創(chuàng)建基礎(chǔ)

題目：創(chuàng)建以下數(shù)組：

一個包含 0~9 的一維數(shù)組
一個 3 行 4 列的全 1 數(shù)組
一個 4 行 4 列的單位矩陣
1~100 中所有 3 的倍數(shù)構(gòu)成的數(shù)組

參考答案：

# 1. 0~9
arr1 = np.arange(10)
print(arr1)

# 2. 3x4 全1
arr2 = np.ones((3, 4))
print(arr2)

# 3. 4x4 單位矩陣
arr3 = np.eye(4)
print(arr3)

# 4. 1~100中3的倍數(shù)
multiples = np.arange(3, 101, 3)
print(multiples)

練習2：統(tǒng)計分析

題目：某店鋪一周七天的營業(yè)額為 [1200, 1500, 1800, 1350, 2100, 2800, 2500]，請計算：

日均營業(yè)額
營業(yè)額的標準差（波動程度）
哪幾天高于日均？
如果保持日均水平，一個月（30天）預計收入多少？

參考答案：

revenue = np.array([1200, 1500, 1800, 1350, 2100, 2800, 2500])

# 1. 日均
daily_avg = revenue.mean()
print(f"日均營業(yè)額: {daily_avg:.2f}元")

# 2. 標準差
std = revenue.std()
print(f"營業(yè)額標準差: {std:.2f}元")

# 3. 高于日均的日期
above_avg = revenue > daily_avg
days = np.array(['周一', '周二', '周三', '周四', '周五', '周六', '周日'])
print(f"高于日均的日子: {days[above_avg]}")

# 4. 月度預估
monthly = daily_avg * 30
print(f"月度預估: {monthly:.2f}元")

練習3：廣播機制應用

題目：有一個 5 行 3 列的成績矩陣（5個學生，3門課），請使用廣播完成：

將每個學生的成績減去該學生的平均分（學生維度的中心化）
將每門課的成績除以該門課的最高分（歸一化到 0~1）

參考答案：

scores = np.array([[85, 90, 78],
                   [92, 88, 95],
                   [76, 82, 88],
                   [95, 91, 89],
                   [70, 75, 80]])

# 1. 減去每個學生自己的平均分（按行求均值，保持維度）
row_mean = scores.mean(axis=1, keepdims=True)
centered = scores - row_mean
print("學生維度中心化:")
print(np.round(centered, 1))

# 2. 歸一化到 0~1（每列除以該列最大值）
col_max = scores.max(axis=0)
normalized = scores / col_max
print("\n歸一化 (0~1):")
print(np.round(normalized, 3))

練習4：向量化思維訓練

題目：不使用任何 for 循環(huán)，用 NumPy 計算 1~1000 中所有偶數(shù)的平方和。

參考答案：

# 方法：先篩選偶數(shù)，再平方，再求和
numbers = np.arange(1, 1001)
even_numbers = numbers[numbers % 2 == 0]
result = (even_numbers ** 2).sum()
print(f"1~1000中所有偶數(shù)的平方和: {result}")

# 一行寫法
print(np.sum(np.arange(2, 1001, 2) ** 2))

本節(jié)總結(jié)

本節(jié)我們深入學習了 NumPy 的核心知識。重點回顧：

ndarray 是 NumPy 的核心：理解 ndim、shape、dtype、size 四個屬性是掌握 NumPy 的第一步。
數(shù)組創(chuàng)建方式多樣：從列表轉(zhuǎn)換、內(nèi)置函數(shù)（zeros/ones/arange/linspace）、隨機生成，根據(jù)場景靈活選擇。
數(shù)據(jù)類型統(tǒng)一且緊湊：通過 dtype 和 astype() 控制數(shù)據(jù)類型，在精度和內(nèi)存之間做權(quán)衡。
向量化運算替代循環(huán)：NumPy 的算術(shù)運算都是逐元素進行的，不需要寫 for 循環(huán)。
廣播是高級運算的關(guān)鍵：理解廣播規(guī)則后，可以輕松實現(xiàn)復雜的矩陣操作，代碼簡潔高效。
聚合運算配合 axis：axis=0 按列、axis=1 按行，這是處理多維數(shù)據(jù)的基本功。