NumPy 零基础学习笔记

前言

学 Python 做数据分析、机器学习，绕不开 NumPy。

Python 自带的列表做大批量数值运算效率很低，NumPy 底层是 C 写的，专门用来处理多维矩阵数据，Pandas、Matplotlib、很多机器学习库底层都依赖它。

很多同学刚上手会被一堆函数搞晕，我把日常最常用的操作整理成笔记，全部都是实际敲过的代码，跟着跑一遍就能理解。

安装如果还没装：

pip install numpy

所有代码第一行基本都是导入，行业惯例简写为 np。

import numpy as np

1. 创建 ndarray 数组

ndarray 就是 numpy 里面的数组对象，可以理解成增强版列表，支持一维、二维、三维甚至更高维CSDN博...。

1.1 从普通列表转换

list1 = [1,2,3,4,5] # 一维数组 v = np.array(list1) print(v) # 二维数组，多个一维数组嵌套 m = np.array([list1,list1,list1]) print(m) # 三维数组，多个二维数组嵌套 z = np.array([m,m,m]) print(z)

1.2 快速生成特殊数组

# 生成全0数组 a = np.zeros((2,3)) # 生成全1数组 b = np.ones((3,3)) # 全部填充指定数字 c = np.full((2,2), 5) # 单位矩阵 d = np.eye(5) print(a,b,c,d)

1.3 生成有规律的数据

• np.arange(start,end,step)：左闭右开，和 range 很像
• np.linspace(start,end,nums)：闭区间，均匀取 n 个点

r1 = np.arange(0,9,3) print(r1) # 0到1，一共21个点 r2 = np.linspace(0,1,21) print(r2)

2. 查看数组基础属性

拿到一个陌生数组，先看这几个属性，搞清楚它长什么样：

• .shape：数组形状，几行几列
• .ndim：维度，1 维 / 2 维 / 3 维
• .size：总元素个数
• .dtype：元素的数据类型（int、float 等）

arr = np.array([[1,2,3],[4,5,6]]) print(arr.shape) print(arr.ndim) print(arr.size) print(arr.dtype)

3. 数组维度变换：升维、降维

reshape () 修改形状

注意：reshape 不会改变原数组，返回新数组；-1代表让 numpy 自动计算该维度大小。

v = np.array([1,2,3,4,5,6,7,8]) # 一维转二维 r1 = v.reshape(2,4) # -1自动算 r2 = v.reshape(4,-1) print(r1)

resize()

和 reshape 不一样，resize 直接修改原始数组，没有返回值

v.resize(4,2) print(v)

高维降一维：ravel () 和 flatten ()

两个都可以把多维数组压扁成一维，但有坑，面试经常考：

1. ravel()：尽量返回视图，修改返回的数组，有可能改动原数组，省内存
2. flatten()：一定返回副本，修改返回值不会影响原数组，更安全

v = np.array([[1,2],[3,4]]) r1 = v.ravel() r2 = v.flatten() print(r1) print(r2)

4. 数组元素选取和修改

索引切片是高频操作，一维、二维、三维写法略有区别。

一维数组

array1 = np.arange(1,9) # 取单个 print(array1[1]) # 花式索引，取多个不连续 print(array1[[1,3,5]]) # 切片，左闭右开 print(array1[0:6]) # 修改 array1[0] = 100 array1[[1,3]] = 20 print(array1)

二维数组

逗号隔开，前面是行，后面是列

array1 = np.arange(24).reshape(4,6) # 某一个元素 第二行第五列 print(array1[1,4]) # 取一整行 print(array1[3,:]) # 取一整列 print(array1[:,3]) # 不连续的行 print(array1[[0,2],:]) # 修改 array1[1,4] = 999 print(array1)

三维数组

格式：[第几个二维矩阵，行，列]

array1 = np.arange(48).reshape(2,4,6) # 第一个二维数组，第1行全部列 print(array1[0,1,:]) # 第二个二维数组，全部行，第2列 print(array1[1,:,1])

5. 数组的拼接与切割

拼接（组合数组）

• hstack()水平拼接（左右拼，增加列）等价于concatenate(axis=1)
• vstack()垂直拼接（上下拼，增加行）等价于concatenate(axis=0)

array1 = np.arange(9).reshape(3,3) array2 = array1 * 2 # 水平，左右放一起 a3 = np.hstack((array1,array2)) # 垂直，上下摞起来 a7 = np.vstack((array1,array2)) # concatenate通用拼接，axis控制方向 a6 = np.concatenate((array1,array2),axis=1) a8 = np.concatenate((array1,array2),axis=0) print(a3) print(a7)

切割（拆分数组）

• hsplit：水平切（按列切）
• vsplit：垂直切（按行切）
• split(arr,份数,axis=)通用切分
• array_split：可以不均等切割，份数不能整除数组长度的时候不会报错

array1 = np.arange(16).reshape(4,4) # 水平切成2份 a = np.hsplit(array1,2) # 垂直切成2份 c = np.vsplit(array1,2) # 强制分成3份，不能整除也可以运行 e = np.array_split(array1,3,axis=1) print(a)

6. 拷贝：赋值、浅拷贝、深拷贝

这个坑非常多人踩，简单说：

1. 直接用=赋值，只是别名，两个变量指向同一块内存，改一个另一个跟着变
2. .copy()才是真正复制一份独立数组（深拷贝）

array1 = np.array([1,2,3]) # 只是别名，不是复制 array2 = array1 array2[0] = 100 print(array1) # array1也被改变！ # copy真正拷贝 array3 = array1.copy() array3[0] = 10 print(array1) # 原始数组不受影响

7. 数组算数运算

numpy 数组的加减乘除，默认是对应位置元素逐个运算，不是矩阵乘法！要求两个数组 shape 尽量匹配。

array1 = np.arange(1,5).reshape(2,2) array2 = array1 * 2 print(array1 + array2) print(array1 - array2) print(array1 * array2) # 对应元素相乘，不是矩阵点乘 print(array1 / array2) print(array2 % array1) # 取余

注意：⚠️矩阵真正的点乘（线性代数矩阵乘法）：使用dot()

a1 = array1.dot(array2) a2 = np.dot(array1,array2) print(a1)

矩阵求逆在np.linalg线性代数模块

inv_mat = np.linalg.inv(array1)

8. 常用统计函数

可以指定axis：

• axis=0：按列计算
• axis=1：按行计算

arr = np.random.normal(size=(3,3)) print(arr.mean()) # 均值 print(arr.sum()) # 求和 print(arr.std()) # 标准差 print(arr.var()) # 方差 print(np.median(arr)) #中位数 print(arr.sum(axis=0)) #每一列求和 print(arr.sum(axis=1)) #每一行求和

9. numpy 随机模块

写模拟、生成测试数据经常用到。

# 设置随机种子，保证每次运行随机结果一样 np.random.seed(100) # 随机整数 [low,high) r1 = np.random.randint(0,10,size=(5,5)) print(r1) # 0~1之间浮点数 r2 = np.random.rand(3,3) print(r2) # 正态分布，loc均值 scale标准差 r3 = np.random.normal(loc=5,scale=2,size=(2,2)) print(r3)

10. 文件读写

处理真实数据，经常需要读取 txt 文本。np.loadtxt()读取文本，delimiter指定分隔符，比如制表符\t、逗号,。savetxt把数组保存成文本文件。

# 读取制表符分隔的txt文件 data = np.loadtxt('datingTestSet2.txt', delimiter='\t') print(data) # 保存数组到文件 arr = np.array([[1,2,3],[4,5,6]]) np.savetxt('array.txt',arr)

最后

以上就是我练习 numpy 敲的大部分基础代码。

很多初学者一上来就死记一堆函数名，其实不用。记住几个关键点：

1. numpy 数组所有元素数据类型统一
2. 搞懂 shape、维度、axis（0 列 1 行）
3. 分清视图和副本，ravel和flatten、直接赋值和copy()
4. 分清元素相乘*和矩阵点乘dot()

把上面这些练熟，再去学 pandas、机器学习预处理就顺畅很多。

如果对你有帮助，欢迎点赞收藏，后续会更新 pandas 学习笔记。

补充小提示

遇到报错优先检查：数组 shape 是否匹配、axis 有没有搞反、切片是不是越界、有没有忘记 copy 导致原数组被意外修改。