一、为什么选择 NumPy？—— 超越 Python 列表的优势

Python 自带的列表（List）虽然灵活，但在处理大规模数值计算时效率低下。NumPy 的出现正是为了解决这一问题，它的核心优势包括：

• 高效存储与计算：NumPy 的ndarray（N 维数组）是同类型元素的集合，存储更紧凑，计算时可利用 CPU 缓存加速，比列表快 10 倍以上；
• 简化代码：支持向量化操作，无需循环即可对整个数组进行运算（如arr * 2直接实现数组中所有元素乘以 2）；
• 丰富的数学函数：内置大量线性代数、统计、随机数生成等函数，覆盖科学计算的核心需求。

例如，计算一个包含 1000 万个元素的列表总和，Python 列表需要 0.12 秒，而 NumPy 数组仅需 0.02 秒，效率提升显著。

二、环境准备：安装与导入

NumPy 不是 Python 标准库，需要手动安装：

1. 安装命令（推荐使用清华镜像源加速）：

   # 使用pip安装
   pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
   # 或使用conda（适用于Anaconda环境）
   conda install numpy
   

2. 导入方式：
   惯例是将 NumPy 简写为np，方便后续调用：

   import numpy as np
   

三、核心对象：ndarray 数组

NumPy 的核心是ndarray（N-dimensional array，N 维数组），它是一个由相同类型元素组成的多维容器。理解ndarray的创建和属性，是掌握 NumPy 的第一步。

1. 创建 ndarray 数组：10 种常用方法

NumPy 提供了多种创建数组的函数，适用于不同场景：

函数	功能描述	示例代码
array()	将列表或嵌套列表转换为数组	np.array([1, 2, 3]) → [1 2 3]
zeros()	创建全为 0 的数组	np.zeros((2, 3)) → 2 行 3 列的 0 数组
ones()	创建全为 1 的数组	np.ones((3, 2), dtype=int) → 3 行 2 列的 1 数组（整数类型）
full()	创建指定值填充的数组	np.full((2, 2), fill_value=10) → 所有元素为 10 的 2x2 数组
eye()	创建对角矩阵（对角线为 1，其余为 0）	np.eye(3) → 3x3 的单位矩阵
arange()	生成指定范围的等差数列（类似range，但返回数组）	np.arange(1, 10, 2) → [1 3 5 7 9]
linspace()	生成指定范围内的等间隔数列（包含终点）	np.linspace(0, 1, 5) → [0. 0.25 0.5 0.75 1. ]
logspace()	生成等比数列（以 10 为底的对数间隔）	np.logspace(1, 2, 3) → [ 10. 31.6227766 100. ]
random.rand()	生成 [0,1) 之间的随机数数组	np.random.rand(2, 2) → 2x2 的随机数组
random.randint()	生成指定范围内的随机整数数组	np.random.randint(0, 10, size=(3,)) → [3 7 1]

示例：创建一个 3 行 2 列、元素全为 1024 的整数数组：

arr = np.full((3, 2), fill_value=1024, dtype='int32')
print(arr)
# 输出：
# [[1024 1024]
#  [1024 1024]
#  [1024 1024]]

2. ndarray 的核心属性

通过属性可以快速了解数组的基本信息，常用属性如下：

属性	描述
ndim	数组的维度（秩），如 1D 数组返回 1，2D 数组返回 2
shape	数组的形状，如 3 行 2 列的数组返回(3, 2)
size	数组元素的总个数，等于shape中各维度的乘积（如 3×2 数组的 size 为 6）
dtype	元素的数据类型（如int32、float64）
itemsize	每个元素的字节大小（如int32类型的itemsize为 4）

示例：查看数组属性：

arr = np.array([[1, 2, 3], [4, 5, 6]])
print("维度：", arr.ndim)       # 输出：2
print("形状：", arr.shape)     # 输出：(2, 3)
print("元素总数：", arr.size)   # 输出：6
print("数据类型：", arr.dtype) # 输出：int64

四、数组操作：切片与索引

和 Python 列表类似，ndarray支持通过索引和切片访问元素，但多维数组的操作更灵活。

1. 一维数组的切片

与列表切片规则一致，格式为arr[start:stop:step]：

arr = np.arange(10)  # 生成[0,1,2,...,9]
print(arr[2:7])      # 从索引2到6（不包含7）：[2 3 4 5 6]
print(arr[::2])      # 步长为2：[0 2 4 6 8]

2. 多维数组的切片

对于二维数组（矩阵），格式为arr[行切片, 列切片]，用逗号分隔行和列：

arr = np.arange(15).reshape(5, 3)  # 5行3列的数组
print(arr)
# 输出：
# [[ 0  1  2]
#  [ 3  4  5]
#  [ 6  7  8]
#  [ 9 10 11]
#  [12 13 14]]

print(arr[2, 1])       # 第3行第2列（索引从0开始）：7
print(arr[1:4, :2])    # 第2-4行，第1-2列：
# [[ 3  4]
#  [ 6  7]
#  [ 9 10]]

3. 省略号（...）的使用

当数组维度较高时，可用...代表未指定的维度，简化切片操作

# 对于5行3列的数组，获取所有行的第2列
print(arr[..., 1])  # 输出：[ 1  4  7 10 13]

五、实战练习：巩固数组操作

通过几个小练习，检验对 NumPy 的掌握程度：

1. 生成 3×3 的对角矩阵：

   np.eye(3, dtype=int)
   

2. 创建长度为 10 的数组，值在 (0,1) 之间（不包含 0 和 1）：

   np.random.random(10)  # random()生成[0,1)的随机数，排除0可加微小偏移
   

3. 创建长度为 10 的全 0 数组，第 5 个元素为 1：

   arr = np.zeros(10)
   arr[4] = 1  # 索引从0开始，第5个元素索引为4
   

4. 生成 30 到 50、步长为 2 的数组：

   np.arange(30, 51, 2)
   

小结

NumPy 的ndarray数组是科学计算的基础，它的高效性和灵活性远超 Python 列表。本文介绍了数组的创建方法、核心属性和切片操作，这些是后续学习数值计算、矩阵运算的前提。下一篇，我们将深入探讨 NumPy 的数学运算和广播机制，带你解锁更复杂的科学计算功能。掌握 NumPy，让你的数据处理效率提升一个量级！