Python NumPy 入门教程：从数组创建到广播运算，快速掌握高效数值计算

yuanpan

606人浏览 · 2026-04-27 09:43:01

yuanpan · 2026-04-27 09:43:01 发布

Python NumPy 入门教程：从数组创建到广播运算，快速掌握高效数值计算

很多人在学完 Python 基础语法之后，都会碰到一个非常现实的问题：如果我要处理大量数字、矩阵、表格型数值数据，只靠原生 list 会不会太慢、太笨重？

这时候，NumPy 往往就是第一个必须掌握的库。

它是 Python 数值计算生态的基础组件。很多你后面会接触到的库，比如 Pandas、SciPy、scikit-learn、Matplotlib，底层都离不开它。

如果你是新手，这篇文章的目标不是把 NumPy 讲得特别学术，而是让你尽快搞明白：

NumPy 到底是干什么的
它和 Python 原生列表有什么区别
最常用的数组操作怎么写
新手最常用的广播、切片、聚合、条件筛选怎么理解
怎样用一个完整示例快速上手

学完之后，你至少能独立写出常见的数组计算、基础矩阵处理和简单数据预处理代码。

1. NumPy 是什么

NumPy 全名是 Numerical Python，是 Python 里最经典的数值计算库之一。

它最核心的能力是提供一个高效的多维数组对象 ndarray，以及围绕数组进行批量计算的一整套函数。

它特别适合这些场景：

批量数值计算
向量和矩阵运算
数据分析前的数据准备
科学计算和算法实验
机器学习里的特征处理

简单说，NumPy 的优势不是“能不能算”，而是让大量数值操作更快、更整洁、更适合批量处理。

2. 为什么很多 Python 学习者都绕不开 NumPy

如果你只处理几条数据，Python 的 list 当然够用。

但一旦进入下面这些场景，NumPy 的价值就会非常明显：

有一大批数字需要统一加减乘除
需要按行按列做统计
需要处理二维表格、矩阵或更高维数据
需要做条件筛选、归一化、标准化
后续还要接入 Pandas 或机器学习库

比如你想把一组商品价格全部打九折，原生列表通常要写循环；用 NumPy，一行就能完成：

prices = np.array([15, 20, 35, 40])
discount = prices * 0.9

这类“整批运算”的能力，就是 NumPy 最值得学的地方。

3. 安装 NumPy

直接安装：

pip install numpy

安装后可以简单检查版本：

python -c "import numpy as np; print(np.__version__)"

导入方式通常这样写：

import numpy as np

np 是 NumPy 的常见别名，几乎所有教程和项目都这么写。

4. 先理解 NumPy 最核心的对象：ndarray

NumPy 里最重要的数据结构是 ndarray，也就是多维数组。

可以先把它理解成“比 list 更适合数值运算的数组”。

先看最简单的创建方式：

import numpy as np

arr = np.array([10, 20, 30, 40])
print(arr)
print(type(arr))

输出类似：

[10 20 30 40]
<class 'numpy.ndarray'>

二维数组也很常见：

matrix = np.array([
    [1, 2, 3],
    [4, 5, 6]
])

print(matrix)

这时候你就可以把它看成一个 2 行 3 列 的数值矩阵。

5. 常见的数组创建方式

5.1 从列表创建

arr = np.array([1, 2, 3, 4, 5])

5.2 创建全 0 数组

zeros = np.zeros((2, 3))

表示创建一个 2 行 3 列 的全零数组。

5.3 创建全 1 数组

ones = np.ones((3, 2))

5.4 创建连续数字

arr = np.arange(1, 10)

这会得到：

[1 2 3 4 5 6 7 8 9]

5.5 创建等间距数组

arr = np.linspace(0, 1, 5)

结果是从 0 到 1 均匀切成 5 个点。

6. shape、dtype、ndim 这几个属性一定要熟

NumPy 数组最常用的基础信息包括：

shape：形状
dtype：数据类型
ndim：维度数

示例：

arr = np.array([[1, 2, 3], [4, 5, 6]])

print(arr.shape)
print(arr.dtype)
print(arr.ndim)

输出类似：

(2, 3)
int64
2

这里的意思是：

数组有 2 个维度
形状是 2 行 3 列
元素类型是整数

7. reshape：改变数组形状

reshape() 是 NumPy 里非常高频的方法。

arr = np.arange(1, 13)
matrix = arr.reshape(3, 4)

print(arr)
print(matrix)

输出类似：

[ 1  2  3  4  5  6  7  8  9 10 11 12]
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

这类操作特别适合把一维数据整理成二维表格结构。

8. 索引和切片

如果你会 Python 列表切片，NumPy 会很快上手，只是二维数组更常见。

arr = np.arange(1, 13).reshape(3, 4)

print(arr[1, 2])
print(arr[:, 1])
print(arr[0:2, 1:3])

含义分别是：

arr[1, 2]：第 2 行第 3 列
arr[:, 1]：取第 2 列全部数据
arr[0:2, 1:3]：取前两行、第 2 到第 3 列

新手一开始最重要的是先把“行列索引”的感觉建立起来。

9. NumPy 为什么适合批量运算

这是 NumPy 最核心的优势之一。

arr = np.array([1, 2, 3, 4])

print(arr + 10)
print(arr * 2)
print(arr / 2)

输出类似：

[11 12 13 14]
[2 4 6 8]
[0.5 1.  1.5 2. ]

也就是说，运算会直接作用到整个数组，而不是要求你手写循环逐个处理。

10. 广播机制，新手一定要先理解个大概

广播是 NumPy 非常经典的特性。你可以把它先简单理解成：

当不同形状的数据在某些规则下可以对齐时，NumPy 会自动帮你把较小的数据“扩展”后再计算。

最常见的例子：

prices = np.array([15, 20, 35, 40])
discount = prices * 0.9
print(discount)

这里数组里的每个元素都会乘以 0.9。

再看一个二维例子：

scores = np.array([
    [80, 85, 90],
    [75, 88, 92]
])

bonus = np.array([5, 0, 3])
result = scores + bonus
print(result)

这里 bonus 会按列广播到每一行。

新手不需要一开始就背复杂规则，但要先知道：NumPy 很多“看起来没写循环”的批量计算，本质上都和广播有关。

11. 聚合统计：sum、mean、max、min

做数据处理时，经常需要求和、均值、最大值、最小值。

sales = np.array([
    [1200, 1500, 1800],
    [1000, 1600, 1700],
    [900, 1400, 2100]
])

print(sales.sum())
print(sales.mean())
print(sales.max())
print(sales.min())

如果想按行或按列统计，就用 axis：

print(sales.sum(axis=0))   # 按列求和
print(sales.mean(axis=1))  # 按行求均值

可以先记住：

axis=0：沿着行方向压缩，通常得到“每列结果”
axis=1：沿着列方向压缩，通常得到“每行结果”

12. 条件筛选和布尔数组

NumPy 做筛选非常方便。

scores = np.array([88, 92, 79, 95, 90])
high_scores = scores[scores >= 90]
print(high_scores)

输出：

[92 95 90]

你也可以得到一个布尔数组：

print(scores >= 90)

输出类似：

[False  True False  True  True]

这类写法在做数据清洗和过滤时非常常见。

13. np.where：条件替换

如果你想根据条件生成新结果，np.where() 很常用。

scores = np.array([88, 92, 79, 95, 90])
levels = np.where(scores >= 90, "A", "B")
print(levels)

输出：

['B' 'A' 'B' 'A' 'A']

这个函数在做标签转换、分段判断时很好用。

14. 随机数

做模拟实验、机器学习、测试数据生成时，随机数很常见。

推荐新写法：

rng = np.random.default_rng(seed=42)
arr = rng.integers(0, 10, size=(2, 3))
print(arr)

这里的重点有两个：

seed=42 让结果可复现
size=(2, 3) 表示生成一个 2 行 3 列 的数组

15. 矩阵乘法

NumPy 当然也支持矩阵运算。

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

print(a @ b)

输出：

[[19 22]
 [43 50]]

这里的 @ 是矩阵乘法，不是普通的逐元素乘法。

如果写成：

print(a * b)

那就是对应位置逐元素相乘。

16. 一个适合新手直接运行的完整示例

为了方便你本地练习，我把常见操作整理成了一个独立脚本：

numpy_beginner_examples.py

完整代码如下：

import numpy as np


def main() -> None:
    print("1. 创建数组")
    scores = np.array([88, 92, 79, 95, 90])
    matrix = np.array([[1, 2, 3], [4, 5, 6]])
    print("scores =", scores)
    print("matrix =\n", matrix)

    print("\n2. 查看形状和数据类型")
    print("scores.shape =", scores.shape)
    print("matrix.shape =", matrix.shape)
    print("scores.dtype =", scores.dtype)

    print("\n3. reshape 改变形状")
    numbers = np.arange(1, 13)
    reshaped = numbers.reshape(3, 4)
    print("numbers =", numbers)
    print("reshaped =\n", reshaped)

    print("\n4. 索引和切片")
    print("reshaped[1, 2] =", reshaped[1, 2])
    print("reshaped[:, 1] =", reshaped[:, 1])
    print("reshaped[0:2, 1:3] =\n", reshaped[0:2, 1:3])

    print("\n5. 广播机制")
    prices = np.array([15, 20, 35, 40], dtype=float)
    discount = prices * 0.9
    print("prices =", prices)
    print("discount =", discount)

    print("\n6. 聚合统计")
    sales = np.array(
        [
            [1200, 1500, 1800],
            [1000, 1600, 1700],
            [900, 1400, 2100],
        ]
    )
    print("sales =\n", sales)
    print("总销售额 =", sales.sum())
    print("每个月总额 =", sales.sum(axis=0))
    print("每个门店均值 =", sales.mean(axis=1))

    print("\n7. 布尔筛选")
    high_scores = scores[scores >= 90]
    print("scores >= 90 ->", high_scores)

    print("\n8. 条件替换")
    levels = np.where(scores >= 90, "A", "B")
    print("levels =", levels)

    print("\n9. 随机数和可复现结果")
    rng = np.random.default_rng(seed=42)
    random_matrix = rng.integers(0, 10, size=(2, 3))
    print("random_matrix =\n", random_matrix)

    print("\n10. 矩阵乘法")
    a = np.array([[1, 2], [3, 4]])
    b = np.array([[5, 6], [7, 8]])
    print("a @ b =\n", a @ b)


if __name__ == "__main__":
    main()