🐍 NumPy 超能指南：从“import np”到“花式索引”一步到位！

还在用 Python 原生列表算平均？

今天 10 分钟，把 NumPy 磨成瑞士军刀🔪------
向量化 × 广播 × 花式索引 全套带走，代码直接复制跑通！

1️⃣ 安装 & 惯用别名（全球统一暗号）

bash 复制代码

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

python 复制代码

import numpy as np  # 暗号 np.*

2️⃣ 基础对象：ndarray 🌟

python 复制代码

a = np.array([1, 2, 3], dtype=np.int32)   # 1-D
b = np.array([[1, 2], [3, 4]], dtype=float)  # 2-D

属性	说明	示例
`a.ndim`	维度	1
`a.shape`	形状	(3,)
`a.size`	元素总数	3
`a.dtype`	数据类型	int32

3️⃣ 高效创建函数：一行顶列表循环十条 🚀

python 复制代码

np.zeros((3, 4))        # 全 0
np.ones((2, 3, 4))      # 全 1
np.full((2, 2), 7)      # 全 7
np.eye(3)               # 单位矩阵
np.arange(0, 10, 2)     # [0 2 4 6 8]
np.linspace(0, 1, 5)    # 等分 5 段
np.random.default_rng(42).random((2,3))  # 0-1 随机

4️⃣ 向量化计算：告别 Python 慢循环 🐌➡️⚡️

python 复制代码

x = np.arange(1e6)
y = x**2 + 3*x - 1     # 百万级一次完成

性能对比：

python 复制代码

import timeit
py_list = list(range(100000))
np_arr  = np.arange(100000)

timeit.timeit(lambda: [i**2 for i in py_list], number=10)
# >>> 0.28 s
timeit.timeit(lambda: np_arr**2, number=10)
# >>> 0.007 s  ← 40 倍提速

5️⃣ 广播机制：形状不同也能算！📻

python 复制代码

a = np.array([[1], [2], [3]])      # 3×1
b = np.array([10, 20])             # 1×2
a + b                              # 3×2 结果
'''
[[11 21]
 [12 22]
 [13 23]]
'''

规则：末尾维度相等 or 1，即可自动扩展。

6️⃣ 花式索引：一键提取、赋值 💎

python 复制代码

arr = np.arange(16).reshape(4,4)
# 取 2×2 块
arr[1:3, 1:3]
# 布尔 Mask
mask = arr % 3 == 0
arr[mask]           # 所有 3 的倍数
arr[mask] = -1      # 批量改值

7️⃣ 常用统计： axis 参数玩明白 📊

python 复制代码

c = np.array([[1, 2, 3],
              [4, 5, 6]])
np.sum(c, axis=0)   # 按列 [5 7 9]
np.sum(c, axis=1)   # 按行 [ 6 15]
np.mean(c)
np.std(c, dtype=np.float64)

8️⃣ 线性代数秒杀：一行解方程 🧮

python 复制代码

A = np.array([[3, 1], [1, 2]])
b = np.array([9, 8])
x = np.linalg.solve(A, b)   # array([2., 3.])

其他：
np.dot · np.linalg.inv · np.linalg.eig · svd · det

9️⃣ 性能黑科技：einsum 求和 🌪️

python 复制代码

# 矩阵乘法 C = AB
C = np.einsum('ik,kj->ij', A, B)
# 比裸 for 快 10-50 倍，比 np.dot 还省内存

🔟 易错点提醒 ⚠️

坑	错误示例	正确
原地改值	`a = a + 1` 会新数组	想省内存 `a += 1`
维度不一致	`[1,2] + [[1],[2]]` 直接报错	先 reshape / 广播
浮点比较	`np.where(x == 0.3)` 可能失败	用 `np.isclose`

🏁 一句话总结（背它！）

"NumPy = Python 列表的涡轮增压器"

向量化加速、广播塑形、花式索引、线性代数一行搞定！🏎️