目录
[四、NumPy核心对象 ndarray](#四、NumPy核心对象 ndarray)
[十、数组变形 reshape](#十、数组变形 reshape)
一、前言
在Python数据科学生态中，有一个库几乎无处不在：
import numpy as np无论是：
机器学习
深度学习
数据分析
计算机视觉
科学计算都会看到它的身影。
很多框架实际上都是建立在 NumPy 的思想之上：
Scikit-Learn
↓
NumPy
Pandas
↓
NumPy
TensorFlow
↓
NumPy
PyTorch
↓
NumPy甚至有人说：
学会 NumPy，等于掌握了 Python 数据科学的一半基础。
本文将从零开始，详细讲解 NumPy 的核心概念、常用方法以及开发中的实用技巧。
二、什么是NumPy
NumPy 全称：
Numerical Python即：
Python数值计算库官方网址：
https://numpy.org安装：
pip install numpy导入：
import numpy as np三、为什么需要NumPy
普通Python列表：
nums = [1,2,3,4,5]虽然能存储数据。
但是：
计算慢
占用内存大
不支持矩阵运算例如：
a = [1,2,3]
a * 2输出：
[1,2,3,1,2,3]并不会进行数学运算。
而NumPy：
python
arr = np.array([1,2,3])
print(arr * 2)输出：
[2 4 6]这就是NumPy的优势。
四、NumPy核心对象 ndarray
NumPy最重要的数据结构：
ndarray即：
N维数组创建数组：
python
import numpy as np
arr = np.array([1,2,3])
print(arr)输出：
[1 2 3]查看类型：
print(type(arr))输出：
numpy.ndarray五、一维数组
创建：
python
arr = np.array([10,20,30,40])
print(arr)结果：
[10 20 30 40]获取元素：
print(arr[0])输出：
10六、二维数组（矩阵）
创建矩阵：
python
matrix = np.array([
[1,2,3],
[4,5,6]
])
print(matrix)输出：
[[1 2 3]
[4 5 6]]获取元素：
print(matrix[0][1])结果：
2推荐写法：
print(matrix[0,1])七、查看数组属性
python
arr = np.array([
[1,2,3],
[4,5,6]
])查看维度：
print(arr.ndim)输出：
2查看形状：
print(arr.shape)输出：
(2,3)查看元素总数：
print(arr.size)输出：
6查看数据类型：
print(arr.dtype)输出：
int64八、快速创建数组
zeros
创建全0数组：
np.zeros((3,4))结果：
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]ones
创建全1数组：
np.ones((2,3))full
指定值填充：
np.full((3,3),100)输出：
[[100 100 100]
[100 100 100]
[100 100 100]]eye
创建单位矩阵：
np.eye(4)输出：
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]九、生成连续数字
arange
类似range：
np.arange(0,10)输出：
[0 1 2 3 4 5 6 7 8 9]指定步长：
np.arange(0,20,2)输出：
[0 2 4 6 8 10 12 14 16 18]linspace
生成等间距数据：
np.linspace(0,1,5)输出：
[0. 0.25 0.5 0.75 1. ]机器学习中非常常见。
十、数组变形 reshape
创建：
arr = np.arange(12)结果：
[0 1 2 3 4 5 6 7 8 9 10 11]变成：
arr.reshape(3,4)结果：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]自动计算：
arr.reshape(2,-1)输出：
[[0 1 2 3 4 5]
[6 7 8 9 10 11]]开发中经常使用。
十一、数组切片
arr = np.arange(10)取前三个：
arr[:3]结果：
[0 1 2]取后三个：
arr[-3:]结果：
[7 8 9]二维切片：
matrix[:,1]表示：
所有行
第2列十二、数组运算
加法：
python
a = np.array([1,2,3])
b = np.array([4,5,6])
print(a+b)输出：
[5 7 9]减法：
a-b乘法：
a*b结果：
[4 10 18]注意：
这是对应元素相乘十三、矩阵乘法
机器学习最常见操作：
python
A = np.array([
[1,2],
[3,4]
])
B = np.array([
[5,6],
[7,8]
])
print(A @ B)输出：
[[19 22]
[43 50]]也可以：
np.matmul(A,B)十四、统计方法
最大值：
arr.max()最小值：
arr.min()平均值：
arr.mean()求和：
arr.sum()标准差：
arr.std()方差：
arr.var()这些方法在数据分析中极其常用。
十五、随机数模块
生成随机数：
python
np.random.rand()生成数组：
python
np.random.rand(3,4)随机整数：
python
np.random.randint(
0,
100,
size=(3,3)
)输出：
[[12 45 78]
[34 67 89]
[11 22 99]]固定随机种子：
np.random.seed(42)保证实验结果一致。
十六、布尔索引
创建：
python
arr = np.array([
10,
20,
30,
40,
50
])筛选：
arr[arr > 30]结果：
[40 50]这在数据清洗中极其重要。
十七、广播机制（Broadcasting）
NumPy最强大的功能之一。
python
arr = np.array([
[1,2,3],
[4,5,6]
])
print(arr + 10)输出：
[[11 12 13]
[14 15 16]]无需循环。
自动扩展计算。
十八、常用机器学习技巧
数据归一化
python
data = np.array([
10,
20,
30,
40
])
normalized = (
data - data.min()
) / (
data.max() - data.min()
)标准化
python
standardized = (
data - data.mean()
) / data.std()求协方差矩阵
np.cov(data)PCA经常使用。
十九、线性代数模块
求逆矩阵：
np.linalg.inv(A)求特征值：
np.linalg.eig(A)求行列式：
np.linalg.det(A)求矩阵秩：
np.linalg.matrix_rank(A)这些都是机器学习算法的重要基础。
二十、NumPy学习路线
二十一、总结
NumPy是Python数据科学生态的核心基础库。
掌握NumPy意味着掌握：
数组操作
矩阵运算
统计分析
随机数生成
线性代数机器学习中的：
线性回归
逻辑回归
PCA
K-Means
神经网络本质上都离不开NumPy。
对于数据科学工程师来说：
NumPy
不是一个普通工具库
而是整个机器学习世界的基础设施学好NumPy，后续学习 Pandas、Scikit-Learn、PyTorch、TensorFlow 都会轻松很多。