一、核心對象：ndarray（N維數(shù)組）

1.1 定義與特點

• ndarray：存儲同類型元素的多維容器，所有元素必須是同一數(shù)據(jù)類型（同構(gòu)性），這是其高性能的基礎(chǔ)。
• 與 Python 列表的區(qū)別：
  • 列表可存儲不同類型元素，而 ndarray 元素類型統(tǒng)一。
  • 列表不支持向量化運算（如 list1 + list2 是拼接，而非元素相加），ndarray 支持。

1.2 核心屬性

示例：

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape)   # (2, 3)
print(arr.dtype)   # int64
print(arr.ndim)    # 2
print(arr.size)    # 6

二、數(shù)組創(chuàng)建方法

2.1 從 Python 序列創(chuàng)建

• 基礎(chǔ)語法：np.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)
  • object：輸入序列（列表、元組等）。
  • dtype：指定數(shù)據(jù)類型（如 np.int32、np.float64），不指定則自動推斷。
  • ndmin：指定最小維度數(shù)（不足則補維度）。

示例：

# 1維數(shù)組
arr1 = np.array([1, 2, 3, 4])
# 2維數(shù)組（列表嵌套列表）
arr2 = np.array([[1, 2], [3, 4]], dtype=np.float32)  # 指定為32位浮點數(shù)
# 強制為3維數(shù)組（即使輸入是2維）
arr3 = np.array([[1, 2], [3, 4]], ndmin=3)  # shape 為 (1, 2, 2)

2.2 創(chuàng)建特殊數(shù)組

2.3 隨機數(shù)組（np.random模塊）

示例：

np.random.rand(2, 3)  # 2行3列 [0,1) 隨機數(shù)
np.random.randint(1, 10, size=(3,))  # 1維3元素，值在1~9之間

三、數(shù)組操作（維度與形態(tài)）

3.1 維度調(diào)整

• reshape(shape)：返回一個新數(shù)組，維度為 shape，原數(shù)組不變（需滿足 size 一致）。

arr = np.arange(12)  # shape (12,)
arr_reshape = arr.reshape(3, 4)  # shape (3,4)，元素不變

• flatten() vs ravel()：均將數(shù)組降為 1 維，區(qū)別在于：
  • flatten()：返回原數(shù)組的副本（修改新數(shù)組不影響原數(shù)組）。
  • ravel()：返回原數(shù)組的視圖（修改新數(shù)組會影響原數(shù)組，內(nèi)存效率更高）。

arr = np.array([[1,2],[3,4]])
arr_flat = arr.flatten()  # 副本
arr_rav = arr.ravel()     # 視圖

• newaxis：為數(shù)組增加一個維度（常用于廣播或匹配維度）。

arr = np.array([1,2,3])  # shape (3,)
arr_2d = arr[np.newaxis, :]  # shape (1,3)（行向量）
arr_2d_col = arr[:, np.newaxis]  # shape (3,1)（列向量）

3.2 數(shù)組拼接

• np.concatenate(arrays, axis=0)：沿指定軸拼接多個數(shù)組（要求除拼接軸外，其他維度大小一致）。
  • axis=0：垂直拼接（行方向），axis=1：水平拼接（列方向）。
• 簡化函數(shù)：
  • np.vstack(tup)：垂直拼接（等價于 concatenate(tup, axis=0)）。
  • np.hstack(tup)：水平拼接（等價于 concatenate(tup, axis=1)）。
  • np.dstack(tup)：深度拼接（沿第三維，適合 3D 數(shù)組）。

示例：

a = np.array([[1,2], [3,4]])  # shape (2,2)
b = np.array([[5,6], [7,8]])  # shape (2,2)
np.concatenate([a, b], axis=0)  # 垂直拼接 → shape (4,2)
np.hstack([a, b])  # 水平拼接 → shape (2,4)

3.3 數(shù)組分割

• np.split(ary, indices_or_sections, axis=0)：沿指定軸分割數(shù)組。
  • indices_or_sections：若為整數(shù) n，則平均分成 n 份；若為列表，則按索引分割。
• 簡化函數(shù)：np.vsplit（垂直分割）、np.hsplit（水平分割）、np.dsplit（深度分割）。

示例：

arr = np.arange(12).reshape(3,4)  # shape (3,4)
# 按索引分割（axis=0，行方向）
np.split(arr, [1,3], axis=0)  # 分割為 [0:1行, 1:3行]
# 平均分成2份（axis=1，列方向）
np.hsplit(arr, 2)  # 分割為 [0:2列, 2:4列]

3.4 轉(zhuǎn)置與軸交換

• arr.T：數(shù)組轉(zhuǎn)置（適用于 2D 數(shù)組，行變列、列變行）。
• arr.transpose(*axes)：自定義軸的順序（多維數(shù)組常用）。

arr = np.arange(8).reshape(2,2,2)  # shape (2,2,2)
arr_trans = arr.transpose(1,0,2)  # 交換0軸和1軸，新shape (2,2,2)

四、索引與切片（元素訪問）

NumPy 支持多種索引方式，用于精準訪問數(shù)組元素。

4.1 基本索引（單元素訪問）

• 多維數(shù)組用逗號分隔各維度索引：arr[dim0_idx, dim1_idx, ...]。
• 索引從 0 開始，支持負索引（-1 表示最后一個元素）。

示例：

arr = np.array([[1,2,3], [4,5,6], [7,8,9]])  # 3×3數(shù)組
print(arr[0, 1])  # 第0行第1列 → 2
print(arr[2, -1])  # 第2行最后一列 → 9

4.2 切片（范圍訪問）

• 語法：start:end:step（start 默認為 0，end 默認為維度大小，step 默認為 1）。
• 多維切片：各維度切片用逗號分隔，: 表示取該維度所有元素。

示例：

arr = np.arange(12).reshape(3,4)  # 3行4列：[[0,1,2,3],[4,5,6,7],[8,9,10,11]]
# 取第1行（索引0）的第1到第3列（不包含3）
print(arr[0, 1:3])  # [1,2]
# 取第0到第2行（不包含2）的所有列
print(arr[0:2, :])  # [[0,1,2,3], [4,5,6,7]]
# 每隔1行取1行，每隔2列取1列
print(arr[::2, ::2])  # [[0,2], [8,10]]

4.3 布爾索引（條件篩選）

• 用布爾數(shù)組（與原數(shù)組同 shape）篩選元素，結(jié)果為滿足條件的元素組成的 1 維數(shù)組。

示例：

arr = np.array([[1,2,3], [4,5,6], [7,8,9]])
# 篩選大于5的元素
mask = arr > 5  # 布爾數(shù)組：[[False,False,False], [False,False,True], [True,True,True]]
print(arr[mask])  # [6,7,8,9]
# 復(fù)合條件（需用 & 連接，而非 and）
print(arr[(arr > 3) & (arr < 8)])  # [4,5,6,7]

4.4 花式索引（指定位置訪問）

• 用整數(shù)數(shù)組（列表）指定需要訪問的索引，結(jié)果為對應(yīng)位置元素組成的新數(shù)組。

示例：

arr = np.array([10, 20, 30, 40, 50])
# 1維數(shù)組：取索引0, 2, 4的元素
print(arr[[0, 2, 4]])  # [10,30,50]
 
# 2維數(shù)組：取 (0,1)、(2,3) 位置的元素
arr2d = np.arange(12).reshape(3,4)
print(arr2d[[0,2], [1,3]])  # [1, 11]

注意：

• 切片返回的是原數(shù)組的視圖（修改會影響原數(shù)組）。
• 布爾索引和花式索引返回的是副本（修改不影響原數(shù)組）。

五、廣播機制（Broadcasting）

廣播是 NumPy 中不同形狀數(shù)組進行算術(shù)運算的核心機制，無需手動擴展數(shù)組維度。

5.1 廣播規(guī)則

1. 維度對齊：若兩個數(shù)組維度不同，在形狀較短的數(shù)組前補 1，直到維度數(shù)相同。
   • 例：shape (2,3) 與 shape (3,) → 補 1 后為 (2,3) 與 (1,3)。
2. 維度兼容：對于對齊后的每個維度，若大小相同，或其中一個為 1，則兼容；否則報錯。
   • 兼容示例：(2,3) 與 (1,3) → 第 0 維 2 vs 1（兼容），第 1 維 3 vs 3（兼容）。
   • 不兼容示例：(2,3) 與 (2,4) → 第 1 維 3 vs 4（不兼容，報錯）。
3. 擴展維度：兼容的維度中，大小為 1 的維度會被擴展為與另一個數(shù)組相同的大?。ㄌ摂M擴展，不占用內(nèi)存）。

5.2 廣播示例

# 示例1：1維數(shù)組與標量廣播
a = np.array([1, 2, 3])
b = 2
print(a + b)  # [3,4,5]（b 廣播為 [2,2,2]）
 
# 示例2：2維數(shù)組與1維數(shù)組廣播
a = np.array([[1,2,3], [4,5,6]])  # shape (2,3)
b = np.array([10, 20, 30])        # shape (3,) → 廣播為 (1,3) → 再擴展為 (2,3)
print(a + b)  # [[11,22,33], [14,25,36]]
 
# 示例3：高維廣播
a = np.ones((2, 1, 3))  # shape (2,1,3)
b = np.ones((1, 2, 3))  # shape (1,2,3)
# 對齊維度后：(2,1,3) 與 (1,2,3) → 擴展為 (2,2,3)
print((a + b).shape)  # (2,2,3)

六、數(shù)學(xué)運算

6.1 元素級運算

支持 +、-、*、/、**（冪）、%（取模）等運算符，或?qū)?yīng)的函數(shù)（如 np.add）。

示例：

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b)  # [5,7,9]（元素相加）
print(a * b)  # [4,10,18]（元素相乘）
print(a **2)  # [1,4,9]（元素平方）
print(np.subtract(b, a))  # [3,3,3]（等價于 b - a）

6.2 聚合函數(shù)（沿軸運算）

對數(shù)組沿指定軸（axis）進行統(tǒng)計或聚合，返回標量或降維數(shù)組。

注意：axis 不指定時，默認對全局所有元素運算。

6.3 矩陣運算

-** 矩陣乘法 **：np.dot(a, b) 或 a @ b（要求 a 的列數(shù) = b 的行數(shù)）。

a = np.array([[1,2], [3,4]])  # 2×2矩陣
b = np.array([[5,6], [7,8]])  # 2×2矩陣
print(a @ b)  # 等價于 np.dot(a,b) → [[19,22], [43,50]]

-** 矩陣轉(zhuǎn)置 ：a.T（行變列，列變行）。

- 其他矩陣函數(shù) **：np.linalg.inv(a)（矩陣求逆）、np.linalg.det(a)（行列式）、np.linalg.eig(a)（特征值和特征向量）等。

七、數(shù)據(jù)類型（dtype）與轉(zhuǎn)換

7.1 常用數(shù)據(jù)類型

NumPy 支持比 Python 更多的數(shù)據(jù)類型，常見類型如下：

7.2 數(shù)據(jù)類型轉(zhuǎn)換

• 用 arr.astype(dtype) 轉(zhuǎn)換，返回新數(shù)組（原數(shù)組不變）。

示例：

arr = np.array([1, 2, 3], dtype=np.int32)
arr_float = arr.astype(np.float64)  # 轉(zhuǎn)為float64 → [1. 2. 3.]
arr_str = arr.astype(np.string_)    # 轉(zhuǎn)為字符串 → [b'1' b'2' b'3']

總結(jié) 

到此這篇關(guān)于Python中NumPy庫核心知識總結(jié)大全的文章就介紹到這了,更多相關(guān)Python NumPy庫核心知識內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論