Numpy数据处理详解 01：NumPy 从环境搭建到入门上手

想要踏入数据科学、机器学习的世界，绕不开的就是数值计算。很多小伙伴刚接触 Python 做数据分析时，会疑惑为什么不直接用 Python 原生列表，非要学习一个全新库 NumPy？今天这篇文章就带你从零认识 NumPy，搞定环境安装，敲开高性能数值运算的大门。

在如今互联网服务遍地开花的时代，用户推荐系统、语音识别、机器翻译这类智能化应用早已渗透我们的日常生活🐍。而 Python 凭借丰富的第三方开源库，成为科研与工程开发的首选语言。在这众多工具链之中，NumPy 绝对是地基一般的存在。

官方对 NumPy 的定义是：NumPy is the fundamental package for scientific computing with Python.，翻译过来就是：NumPy 是 Python 科学计算的基础软件包。大名鼎鼎的 Pandas、Scikit‑Learn 都是构建在 NumPy 之上开发，大量库也模仿它的接口设计。不管你未来打算做图像处理、自然语言处理，还是机器学习研究，吃透 NumPy，你的数据处理能力都会得到质的飞跃。

哪怕你是编程小白、Web 后端开发者，或是准备转行做数据方向，NumPy 都值得花时间好好掌握。新手可以从头循序渐进学习，有基础的朋友也可以按需查漏补缺，补齐自己的知识短板。

一、先搞定 Python 运行环境

NumPy 是 Python 的第三方库，所以第一步我们先要装好 Python。这里要划一个重点：Python 存在 Python2 和 Python3 两大版本分支，二者并不完全兼容。Python2 已经逐步退出历史舞台，本文全部基于当下主流的 Python3 进行讲解。

不同系统下 Python3 安装方式

🍎 macOS 系统

Mac 系统会预装 Python2，但没有自带 Python3，推荐使用 Homebrew 包管理器安装。

终端执行下面命令安装 Homebrew：

bash 复制代码

/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"

安装完成后访问brew.sh可以查看官方文档排查问题。

Homebrew 就绪后，一行命令安装 Python3：

bash 复制代码

brew install python3

🪟 Windows 系统

前往 Python 官方下载页：www.python.org/downloads/w... 选择Windows x86‑64 executable installer安装包下载。

⚠️重要提醒：安装界面务必勾选 Add Python to environment variables，如果不勾选，后续使用 pip 工具会非常麻烦！ Python3.5 以上版本都可以正常运行 NumPy 示例代码，双击安装包跟随向导完成安装即可。

🐧 Ubuntu 系统

Ubuntu 已经预装好 Python2 与 Python3，打开终端直接就可以调用 Python3，无需额外安装。

体验 Python 基础语法小 Demo

打开终端输入python，就能调出 Python 交互式解释器，我们先来体验基础运算、变量、容器、循环与函数，帮大家快速热手。

python 复制代码

# 基础四则运算
>>> 1+2
3
>>> 1-2
-1
>>> 3*4 -1
11
>>> 5/2
2.5

# 变量赋值运算
>>> x = 5
>>> x + 2
7
>>> 3 * x
15
>>> print(x)
5

# 元组 tuple 圆括号，不可修改
>>> type((1,2,3))
<class 'tuple'>
a = (1,2,3,4,5)
print(a[0]) # 输出1

# 列表 list 方括号，可以修改元素
>>> type([1,2,3])
<class 'list'>
b = [1,2,3,4,5]
print(b[1]) #输出2

# 字典，键值对存储
dic = {'a':1,'b':2,'c':3}
print(dic['a']) #输出1

# for循环，注意缩进！4个空格或者Tab
for i in range(3):
    print(i)

# 自定义函数 def
def add_five(x):
    return x +5

print(add_five(3)) #输出8

原生 Python 解释器体验尚可，但写代码时缺少自动补全、友好缩进提示，这里强烈安利 IPython✨，交互式体验直接升级。安装 IPython：

bash 复制代码

pip install ipython

终端输入ipython即可启动，示例代码同样可以直接在普通 Python 解释器运行，只是 IPython 更适合调试学习。

二、NumPy 是什么？为什么要选它？

NumPy 全称是 Numerical Python ，专门面向数值计算。它最核心的对象就是ndarray多维数组（下文简称数组）。

这里要回答很多新手的疑问：Python 自带列表，我为什么还要用 NumPy 数组？ Python 本身是动态类型语言，开发灵活方便，但是运算速度对比 C、Fortran 会慢不少。而 NumPy 底层大量采用 C 和 Fortran 实现运算逻辑，我们在 Python 层面调用接口，就可以享受到接近底层语言的运算性能🚀。

💡小提示：刚接触ndarray不用畏惧，你可以简单理解成：存放相同类型数据的容器。和 Python 列表最大区别：列表里面可以混杂字符串、数字等各种类型；但 ndarray 内部全部是同一种数据，这也是它高速运算的根基。毫不夸张的说，正是 NumPy 的出现，才让 Python 坐稳科学计算领域的宝座。

三、NumPy 多种安装方案

✅方案 1：pip 安装（最通用，推荐优先使用）

pip 是 Python 官方包管理器，Python2.7.9+、Python3.4 + 版本都会自带 pip。直接执行命令安装最新版 NumPy：

bash 复制代码

pip install numpy

如果你需要指定特定版本，格式为 pip install 库名==版本号。举个例子安装 1.14.3 版本：

bash 复制代码

pip install numpy==1.14.3

❗如果系统找不到 pip 命令，手动安装 pip： Mac/Linux 终端：

bash 复制代码

sudo easy_install pip

Windows 注意：不要加sudo，直接运行easy_install pip。

输入pip回车，如果输出一长串帮助命令，代表 pip 安装成功。

拓展：如果你需要管理多版本 Python 环境，可以了解 pyenv 工具，管理不同项目的 Python 版本和依赖包。

✅方案 2：系统包管理器安装

部分 Linux、Mac 场景下，可以不用 pip，使用系统自带工具：

1.Ubuntu / Debian

bash 复制代码

sudo apt-get install python-numpy python-scipy python-matplotlib ipython ipython-notebook python-pandas python-sympy python-nose

2.Mac Homebrew 方式，一次性安装 NumPy、SciPy、Matplotlib 等全家桶

bash 复制代码

brew tap homebrew/science && brew install python numpy scipy matplotlib

Windows 用户直接继续用 pip 安装其他科学库即可：

bash 复制代码

pip install scipy
pip install matplotlib

四、简单上手：第一个 NumPy 代码片段

安装完之后，我们来简单测试，感受 ndarray 和普通列表的区别。打开 ipython，导入 numpy，约定俗成我们简写为 np。

python 复制代码

import numpy as np

# Python原生列表
py_list = [1,2,3,4]
# 转为numpy数组
arr = np.array(py_list)

print("ndarray对象：", arr)
print("数组类型：", type(arr))
print("数组元素类型：", arr.dtype)

# 数组批量运算！这就是NumPy的强大之处
print(arr * 2)
# 输出：[2 4 6 8]

📝对比原生列表：如果你直接 py_list *2，得到的是[1,2,3,4,1,2,3,4]，只是把列表复制拼接；而 NumPy 数组会对每一个元素执行数学运算，批量处理海量数据时性能差距会被急剧拉大。

写在最后📖

本篇文章我们完成环境搭建，理解 NumPy 定位，搞懂核心 ndarray 概念。

NumPy 是 Python 科学计算底层基石，几乎所有数据科学库都依赖它；
ndarray 统一存储同类型数据，底层 C 实现带来高性能；
优先使用 pip 完成安装，不同操作系统注意各自的坑点，Windows 务必配置环境变量。

后续我们就可以深入学习数组切片、变形、广播、矩阵运算等核心功能。掌握 NumPy，就是为后续 Pandas、机器学习打下坚实基础。希望大家动手敲一遍示例代码，真正跑通环境，开启你的数据科学学习之旅！