基礎部分

入門結合參考：http://www.rzrgm.cn/yigehulu/p/18034817

numpy簡介

核心概念 - 軸（Axis）

軸（Axis）是數組的維度索引，從0開始編號

二維數組的軸

• axis=0垂直方向（沿行方向，操作跨行）

• axis=1水平方向（沿列方向，操作跨列）

三維數組的軸

• axis=0深度方向（跨層操作）
• axis=1垂直方向（跨行）
• axis=2水平方向（跨列）

numpy數組

創建數組

np.array()基礎創建

• 創建一維數組
  

• 創建二維數組
  

• 指定數據類型創建數組
  

np.random隨機數創建數組

• np.random.randint創建整數數組
  

• np.random.rand()創建[0,1)均態分布數組
  

• np.random.randn()標準正態分布
  

• np.random.random()通用均勻分布
  

• np.random.normal()自定義正態分布
  

• np.random.uniform()自定義均勻分布，區間內所有數值的概率相同
  

• np.random.seed(42)確保每次隨機過后的數據值都一樣
  

• np.random.choice()：隨機抽樣,a必須是一維數組，replace表示是否重復抽取，p表示抽取概率
  

• np.random.shuffle()原地洗牌，直接修改原數組
  

• np.random.permutation()返回打亂后的新數組，原數組不變
  

其他特殊數組

• np.zeros()創造全0數組

  • 創建指定形狀的全0數組
    

  • 創建指定類型的全0數組
    

• np.ones()創建全1數組

  • 創建指定形狀的全1數組
    

  • 創建指定數據類型的全1數組
    

  • 自定義填充
    

• np.empty()未初始化數組

  • 創建隨機內容數組，取決于內存
    

• np.arange()數值范圍數組

  • 創建指定范圍內數組
    

  • 創建指定范圍內數組，并指定數據類型
    

  • 創建日期數組
    

    格式化輸出（在使用 np.arange(start, end, dtype='datetime64[D]') 生成日期時，輸出的日期顯示包含時分秒的現象，是由 NumPy 內部日期時間表示機制和默認的字符串格式化規則 導致的）

• np.linspace()線性間隔數組

  • 創建等距數組，默認包含終點
    

  • 創建包含終點的等差數組
    

數組屬性

• 數組維度
  

• 數據類型
  

數組數據類型

• 常見數據類型如下圖
  

• astype()數據類型轉換

  • 浮點數轉換為整數，直接截斷（非四舍五入）
    

  • 高精度浮點數轉換成低精度浮點數
    

  • 大整數轉換為小類型整數，溢出，自動取模
    

  • 字符串轉換成數值
    

  • 數值轉換成布爾值
    

  • 數值轉換成日期格式
    

特殊數組

• 單位矩陣np.eye()對角線為1，剩下數值由0填充
  

• 對角矩陣np.diag()

  • 一維數組會變成二維數組，對角線數值為給定數組，剩下由0填充
    

  • 二維數組會變成一維數組，只顯示對角線數值
    

數組操作

索引和切片

• 基礎索引
  

• 布爾索引
  

• 切片操作

  • 行列切片
    

  • 步長切片
    

形狀操作

• reshape()重塑形狀
  

• resize()調整大小，直接修改原數組，返回值為None
  

• flatten()展平數組，多維數組轉換為一維數組，深拷貝，不影響原數組
  

數組堆疊

• np.vstack()垂直堆疊
  

• np.hstack()水平堆疊，數據類型必須相同，否則報錯
  

• np.concatenate()通用堆疊，數據類型必須相同，否則報錯
  

數組分割

• np.split()

  • 平均分，數組大小一定要能被均分，不然報錯
    

  • 自定義分
    

• np.vsplit()垂直分割，用于一維數組報錯，axis=0，行相關
  

• np.hsplit()水平分割，axis=1，列相關
  

中級部分

數組運算

廣播機制（Broadcasting）

廣播是 NumPy 對不同形狀數組進行數學運算的規則。當兩個數組形狀不同時，自動擴展較小數組的維度，使其與較大數組的形狀兼容，從而完成逐元素運算。

廣播機制

• 先比較形狀，在比較維度，再比較對應軸長度

• 如果兩個數維度不相等，會在低維度數組形狀左側填充1，直到維度與高維度數組相等
  

• 如果維度相同，形狀不同情況下，數組對應軸長度相同，且有一軸為1
  

基礎數組運算

• +,-,*,/,``
  

通用函數

• np.sqrt()開根號
  

• np.exp()指數
  

• np.log()自然對數
  

聚合函數

• sum()求和
  

• mean()平均值
  

• max()最大值np.min()最小值
  

• std()標準差
  

高級部分

高級索引

布爾索引

通過布爾條件（True/False）篩選數組中的元素

核心規則

布爾數組必須與目標數組的形狀相同

返回的是滿足條件（True）的元素

核心為題：NumPy 不支持直接用多維布爾數組索引多維數組，需逐層篩選

• 直接使用布爾數組
  

• 創建布爾掩碼判斷
  

• 直接使用條件表達式篩選
  

花式索引

通過整數數組（或列表）指定索引位置來訪問元素，它不依賴連續或規律的位置，可以靈活選擇任意位置的元素

核心規則：

傳遞一個整數數組作為左印，返回由這些位置元素組成的新數組
支持多維索引

• 一維數組
  

• 多維數組
  

• 組合行列索引
  

where()函數

根據條件返回滿足條件的元素索引或替換紙

• 返回滿足條件的索引
  

• np.where(condition, value_if_true, value_if_false)：條件替換
  

結構化數組

定義具有不同數據類型的數組，類似表格中的行

核心步驟：

定義數據類型：使用dtype指定每個字段的名稱和類型
創建結構化數組：通過指定字段初始化數組

''' 定義數據類型：包含姓名（字符串）、年齡（整型）、分數（浮點型）'''
dtype = [('name', 'U10'), ('age', 'i4'), ('score', 'f8')]
''' 創建結構化數組 '''
data = np.array([('Alice', 25, 89.5), ('Bob', 30, 92.0)], dtype=dtype)
''' 訪問字段 '''
print(data['name'])
print(data[0]['age'])
''' 按條件篩選（布爾索引）'''
print(data[data['score'] > 90])
'''按指定年齡升序'''
print(np.sort(data, order='age'))
'''多字段篩選'''
mask = (data['age'] > 20) & (data['score'] < 90)
print(data[mask])

性能優化

向量化操作 VS 循環

向量化的本質：將操作從“逐個處理元素”變為“批量處理整個數組”，底層通過優化的 C/Fortran 代碼和 CPU 的 SIMD 指令（單指令多數據）并行計算。

• 向量化操作
  利用numpy內置底層C/Fortran 實現的高效函數，直接對整個數組進行操作。

• 循環
  通過 Python 層級的 for 循環逐個處理元素，效率極低

內存布局：C順序 VS F順序

• C順序
  內存中相鄰的行元素連續存儲（如 arr[i, j] 和 arr[i, j+1] 相鄰）

• F 順序（列優先）
  內存中相鄰的列元素連續存儲（如 arr[i, j] 和 arr[i+1, j] 相鄰）

視圖與副本

• 視圖（View）

  • 共享原始數組的數據內存，不復制數據
  • 修改視圖會影響原始數組
  • 常見操作：切片，轉置，重塑形狀

• 副本（Copy）

  • 完全獨立的新數組，復制數據導新內存
  • 修改副本不影響原始數組
  • 常見操作：顯示調用，高級索引等

輸入輸出

保存和加載數組；二進制格式（.npy,.npz）

• np.save()保存；np.load()加載

  • 保存單個數組為.npy二進制文件（保留形狀和數據類型）
  • 加載時回復數組原裝

• np.savez()保存；np.load()加載

  • 保存多個數組導.npz壓縮文件（類似字典格式）
  • 可指定關鍵字命名數組

文本文件；不規則數據（如每行列數不同）則失敗

• np.loadtxt()讀取文本文件

  常用參數：

  • delimiter:分隔符
  • dtype:指定數據類型
  • skiprows:跳過N行
  • usecols:選擇特定列

• np.savetxt()寫入文本文件

  常用參數：

  • fmt：格式字符串（如 '%.2f' 保留兩位小數）
  • header：文件頭部注釋

內存映射文件

用途：

• 處理超大型數組（無法一次性加載到內存）
• 多進程共享數據：不同進程可訪問同一內存映射文件

import numpy as np
# 創建一個內存映射文件（如果文件不存在則初始化）
shape = (1000, 1000)
dtype = np.float32
filename = 'large_array.dat'

# 創建或加載內存映射
mmap_arr = np.memmap(filename, dtype=dtype, mode='w+', shape=shape)

# 寫入數據（延遲到文件關閉或刪除對象時同步）
mmap_arr[:10, :10] = np.random.rand(10, 10)

# 顯式同步到磁盤（可選）
mmap_arr.flush()

# 重新以只讀模式打開
mmap_readonly = np.memmap(filename, dtype=dtype, mode='r', shape=shape)