如果你刚接触 Python 数据分析，一定会听到 “NumPy” 这个名字 —— 它就像数据处理的 “瑞士军刀”，不管是机器学习、图表绘制，还是日常数据计算，几乎都离不开它。今天咱们就用最直白的方式，把 NumPy 的核心知识点讲明白。

一、先搞懂：NumPy 到底是什么？

NumPy 的全称是 “Numerical Python”（数值 Python），简单说就是专门用来处理 “数字数组” 的工具库。

你可能会问：“Python 本身不是有列表（list）吗？为什么还要用 NumPy？”

举个例子就懂了：

如果想给列表里的每个数字加 1，普通 Python 列表需要写循环：

# 普通Python列表

my_list = [1, 2, 3, 4]

new_list = [x + 1 for x in my_list] # 必须用循环

print(new_list) # 输出：[2, 3, 4, 5]

但用 NumPy 的 “数组”（ndarray），直接写arr + 1就行，不用循环，还跑得更快（底层是 C 语言实现）：

import numpy as np # 导入NumPy，约定用np当别名

# NumPy数组

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

new_arr = my_arr + 1 # 直接运算，超简洁

print(new_arr) # 输出：[2 3 4 5]

这就是 NumPy 的核心优势：简洁的向量运算 + 超高的计算效率。

二、第一步：安装 NumPy 并验证

1. 安装（超简单）

如果你的电脑装了 Python，打开 “命令提示符”（Windows）或 “终端”（Mac），输入一行命令：

pip install numpy

等待几秒，NumPy 就装好了。

2. 验证是否安装成功

打开 Python 编辑器（比如 PyCharm、Jupyter），输入以下代码：

import numpy as np # 导入NumPy

print(np.__version__) # 查看版本号

如果输出类似1.26.4的版本号，说明安装成功啦！

三、NumPy 的核心：ndarray 数组

ndarray 是 “N-dimensional array”（N 维数组）的缩写，比如 1 维数组（像一条线）、2 维数组（像一张表格）、3 维数组（像一个魔方）。它是 NumPy 的 “灵魂”，所有操作都围绕它展开。

1. 怎么创建 ndarray？（5 种常用方法）

方法 1：从 Python 列表转成 ndarray

用np.array()把列表包起来，就能变成 ndarray：

# 1维数组（列表转）

arr1 = np.array([1, 2, 3, 4])

# 2维数组（列表套列表，像表格）

arr2 = np.array([[1, 2, 3], [4, 5, 6]])

print(arr1) # 输出：[1 2 3 4]

print(arr2) # 输出：

# [[1 2 3]

# [4 5 6]]

方法 2：创建全 0 / 全 1 数组

用np.zeros()创建全 0 数组，np.ones()创建全 1 数组，需要指定 “形状”（比如(2,3)表示 2 行 3 列）：

# 2行3列的全0数组

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

# 3行2列的全1数组

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

print(zero_arr) # 输出全是0的2行3列数组

print(one_arr) # 输出全是1的3行2列数组

方法 3：创建 “连续数字” 数组

用np.arange()，类似 Python 的range()，但返回的是 ndarray：

# 从0到9（不包含10），步长1

arr_range = np.arange(0, 10, 1)

print(arr_range) # 输出：[0 1 2 3 4 5 6 7 8 9]

# 从2到10，步长2

arr_step = np.arange(2, 10, 2)

print(arr_step) # 输出：[2 4 6 8]

方法 4：创建 “均匀分布” 数组

用np.linspace()，指定 “起始值、结束值、分成多少份”，适合需要均匀取值的场景：

# 从0到10，分成5份（包含10）

arr_lin = np.linspace(0, 10, 5)

print(arr_lin) # 输出：[ 0. 2.5 5. 7.5 10. ]

方法 5：创建随机数组

用np.random模块，比如创建 0-1 之间的随机数：

# 2行2列的随机数组（值在0-1之间）

random_arr = np.random.rand(2, 2)

print(random_arr) # 输出类似：

# [[0.34 0.89]

# [0.12 0.56]]

2. ndarray 的 3 个关键属性（必看）

创建完数组后，用这 3 个属性能快速了解数组的 “基本信息”：

• shape：数组的形状（几行几列）

• dtype：数组里元素的数据类型（比如 int64、float64）

• ndim：数组的维度（1 维、2 维、3 维）

举个例子：

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

print("形状（行数,列数）：", arr.shape) # 输出：(2, 3)（2行3列）

print("数据类型：", arr.dtype) # 输出：int64（整数类型）

print("维度：", arr.ndim) # 输出：2（2维数组）

四、ndarray 必学操作：变形、索引与切片

1. 调整数组形状：reshape ()

用reshape()可以把数组改成想要的形状（前提是 “总元素数不变”）。比如把 1 维数组改成 2 行 3 列：

# 1维数组（6个元素）

arr = np.arange(6) # 输出：[0 1 2 3 4 5]

# 改成2行3列

arr_reshape = arr.reshape(2, 3)

print(arr_reshape) # 输出：

# [[0 1 2]

# [3 4 5]]

2. 索引：取单个元素

和 Python 列表类似，ndarray 用[行索引, 列索引]取元素（注意：索引从 0 开始！）：

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

# 取第0行（第一行）、第1列（第二列）的元素

print(arr[0, 1]) # 输出：2

# 取第1行、第2列的元素

print(arr[1, 2]) # 输出：6

3. 切片：取多个元素

用[行切片, 列切片]取一片元素，格式是[start:end:step]（start 默认 0，end 默认到最后，step 默认 1）：

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

# 取第0-1行（不包含2）、第1-2列（不包含3）

slice_arr = arr[0:2, 1:3]

print(slice_arr) # 输出：

# [[2 3]

# [6 7]]

五、NumPy 的 “杀手锏”：向量运算

之前咱们提到，NumPy 不用循环就能做数组运算，这就是 “向量运算”。常用的运算都支持：

1. 数组与数字的运算

给数组里的每个元素都加 / 减 / 乘 / 除同一个数字：

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

print(arr + 2) # 每个元素加2 → [3 4 5]

print(arr * 3) # 每个元素乘3 → [3 6 9]

print(arr / 2) # 每个元素除以2 → [0.5 1. 1.5]

2. 数组与数组的运算

两个形状相同的数组，可以直接对应元素做运算：

arr1 = np.array([1, 2, 3])

arr2 = np.array([4, 5, 6])

print(arr1 + arr2) # 对应元素相加 → [5 7 9]

print(arr1 * arr2) # 对应元素相乘 → [4 10 18]

六、NumPy 常用函数：让数据处理更高效

NumPy 内置了很多实用函数，不用自己写逻辑，直接调用就行。

1. 统计函数（常用）

• np.mean(arr)：计算平均值

• np.max(arr)：计算最大值

• np.min(arr)：计算最小值

• np.sum(arr)：计算总和

• np.median(arr)：计算中位数

例子：统计学生成绩

# 5个学生的成绩（1维数组）

scores = np.array([85, 92, 78, 90, 88])

print("平均分：", np.mean(scores)) # 输出：86.6

print("最高分：", np.max(scores)) # 输出：92

print("总分：", np.sum(scores)) # 输出：433

2. 数学函数（常用）

• np.sqrt(arr)：计算平方根

• np.sin(arr)：计算正弦值（弧度）

• np.cos(arr)：计算余弦值（弧度）

例子：计算平方根

arr = np.array([4, 9, 16])

print(np.sqrt(arr)) # 输出：[2. 3. 4.]

3. 数组拼接与拆分

• np.concatenate([arr1, arr2])：拼接数组

• np.split(arr, 份数)：拆分数组

例子：拼接两个 2 行 3 列的数组

arr1 = np.array([[1,2,3],[4,5,6]])

arr2 = np.array([[7,8,9],[10,11,12]])

# 按行拼接（上下拼）

concat_arr = np.concatenate([arr1, arr2], axis=0)

print(concat_arr) # 输出4行3列的数组

七、小案例：用 NumPy 分析简单数据

假设你有 3 个同学的 “数学、语文、英语” 成绩，用 NumPy 计算：

1. 每个同学的总分

1. 每科的平均分

代码实现：

import numpy as np

# 成绩表：行=同学，列=数学、语文、英语

scores = np.array([

[90, 85, 92], # 同学A

[88, 95, 80], # 同学B

[92, 88, 93] # 同学C

])

# 1. 每个同学的总分（按行求和，axis=1）

student_total = np.sum(scores, axis=1)

print("每个同学的总分：", student_total) # 输出：[267 263 273]

# 2. 每科的平均分（按列求平均，axis=0）

subject_avg = np.mean(scores, axis=0)

print("每科的平均分：", subject_avg) # 输出：[90. 89.333... 88.333...]

短短几行代码，就能完成数据统计，这就是 NumPy 的效率！