Numpy基础入门：数组创建、属性查看与核心操作详解
发布时间：2026-10-13| 3人浏览过
本文系统介绍Numpy库的基础用法，涵盖ndarray对象的多种创建方式，包括列表转换、随机数生成及特定值数组构造。详细解析数组维度、形状与数据类型等属性查看与转换方法，演示批量运算、维度重塑与矩阵转置。同时深入讲解一维及多维数组的切片索引技巧，并汇总常用数学计算、统计分析及逻辑判断函数，帮助开发者快速掌握Numpy核心操作。
Numpy基础入门概述
本文旨在梳理Numpy库的基础使用方法，帮助读者快速上手。
import numpy as npndarray对象的创建方法
一、创建ndarray对象
首先介绍如何将Python列表转换为Numpy数组。
>>> a = [1,2,3,4,5]
>>> np.array(a)
array([1, 2, 3, 4, 5])其次，演示如何生成随机浮点数数组。
>>> np.random.rand(3, 4)
array([[ 0.16215336, 0.49847764, 0.36217369, 0.6678112 ],
[ 0.66729648, 0.86538771, 0.32621889, 0.07709784],
[ 0.05460976, 0.3446629 , 0.35589223, 0.3716221 ]])接着展示随机整数数组的生成方法。
>>> np.random.randint(1, 5, size=(3,4))
array([[2, 3, 1, 2],
[3, 4, 4, 4],
[4, 4, 4, 3]])
介绍如何创建全零数组。
>>> np.zeros((3,4))
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
介绍如何创建全一数组。
>>> np.ones((3,4))
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])说明如何创建空数组，需注意不同版本返回值可能不同，建议谨慎使用。
>>> np.empty((3,4))
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])
展示如何创建指定类型的零或一数组。
>>> np.ones((3,4)，int)
array([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]])
>>> np.zeros((3,4),int)
array([[0, 0, 0, 0],
[0, 0, 0, 0],
[0, 0, 0, 0]])
介绍类似Python内置range函数的数组创建方式。
>>> np.arange(2,10,2) # 开始，结束，步长
array([2, 4, 6, 8])ndarray属性查看与操作
二、ndarray属性的查看和操作
讲解如何查看数组的基本属性。
>>> a = [[1,2,3,4,5],[6,7,8,9,0]]
>>> b = np.array(a)
>>> b.ndim #维度个数(看几维)
2
>>> b.shape #维度大小(看具体长宽)
(5,2)
>>>b.dtype
dtype('int32')
说明在创建数组时直接指定属性的方法。
>>> np.array([1,2,3,4,5],dtype=np.float64)
array([ 1., 2., 3., 4., 5.])
>>> np.zeros((2,5),dtype=np.int32)
array([[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0]])
演示如何对已有数组进行属性类型转换。
>>> a = np.array([1,2,3,4,5],dtype=np.float64)
>>> a
array([ 1., 2., 3., 4., 5.])
>>> a.astype(np.int32)
array([1, 2, 3, 4, 5])
数组基础运算与变换
三、简单操作
介绍数组的批量运算方法。
>>> a = np.array([1,2,3,4,5],dtype=np.int32)
>>> a
array([1, 2, 3, 4, 5])
>>> a + a
array([ 2, 4, 6, 8, 10])
>>> a * a
array([ 1, 4, 9, 16, 25])
>>> a - 2
array([-1, 0, 1, 2, 3])
>>> a / 2
array([ 0.5, 1. , 1.5, 2. , 2.5])
#等等讲解如何改变数组的维度。
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32)
>>> a
array([[1, 2, 3, 4, 5],
[6, 7, 8, 9, 0]])
>>> a.reshape((5,2))
array([[1, 2],
[3, 4],
[5, 6],
[7, 8],
[9, 0]])
区分改变维度与矩阵转换的本质区别，需仔细辨别。
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32)
>>> a
array([[1, 2, 3, 4, 5],
[6, 7, 8, 9, 0]])
>>> a.transpose()
array([[1, 6],
[2, 7],
[3, 8],
[4, 9],
[5, 0]])说明如何打乱数组顺序，注意仅支持一维数组。
>>> a = np.array([[1,2],[3,4],[5,6],[7,8],[9,0]],dtype=np.int32)
>>> a
array([[1, 2],
[3, 4],
[5, 6],
[7, 8],
[9, 0]])
>>> np.random.shuffle(a)
>>> a
array([[9, 0],
[1, 2],
[7, 8],
[5, 6],
[3, 4]])
数组切片与索引技巧
四、切片和索引
介绍一维数组的索引与切片，用法与普通列表类似。
>>> a = np.array(range(10))
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a[3]
3
>>> a[2:9:2]
array([2, 4, 6, 8])
介绍多维数组的索引与切片，逻辑与一维类似但需注意维度。
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32)
>>> a
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 0],
[11, 12, 13, 14, 15]])
>>> a[:, 1:4]
array([[ 2, 3, 4],
[ 7, 8, 9],
[12, 13, 14]])
讲解基于条件的索引筛选方法。
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32)
>>> a
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 0],
[11, 12, 13, 14, 15]])
>>> a > 5
array([[False, False, False, False, False],
[ True, True, True, True, False],
[ True, True, True, True, True]], dtype=bool)
>>> a[a>5]
array([ 6, 7, 8, 9, 11, 12, 13, 14, 15])
>>> a%3 == 0
Out[128]:
array([[False, False, True, False, False],
[ True, False, False, True, True],
[False, True, False, False, True]], dtype=bool)
>>> a[a%3 == 0]
array([ 3, 6, 9, 0, 12, 15])
Numpy核心函数汇总
五、函数（Numpy核心知识点）
列举常用的数学计算函数，示例较为直观。
np.ceil(): 向上最接近的整数，参数是 number 或 array
np.floor(): 向下最接近的整数，参数是 number 或 array
np.rint(): 四舍五入，参数是 number 或 array
np.isnan(): 判断元素是否为 NaN(Not a Number)，参数是 number 或 array
np.multiply(): 元素相乘，参数是 number 或 array
np.divide(): 元素相除，参数是 number 或 array
np.abs()：元素的绝对值，参数是 number 或 array
np.where(condition, x, y): 三元运算符，x if condition else y
>>> a = np.random.randn(3,4)
>>> a
array([[ 0.37091654, 0.53809133, -0.99434523, -1.21496837],
[ 0.00701986, 1.65776152, 0.41319601, 0.41356973],
[-0.32922342, 1.07773886, -0.27273258, 0.29474435]])
>>> np.ceil(a)
array([[ 1., 1., -0., -1.],
[ 1., 2., 1., 1.],
[-0., 2., -0., 1.]])
>>> np.where(a>0, 10, 0)
array([[10, 10, 0, 0],
[10, 10, 10, 10],
[ 0, 10, 0, 10]])
介绍各类统计函数的应用。
np.mean():所有元素的平均值
np.sum():所有元素的和，参数是 number 或 array
np.max():所有元素的最大值
np.min():所有元素的最小值，参数是 number 或 array
np.std()：所有元素的标准差
np.var():所有元素的方差，参数是 number 或 array
np.argmax()：最大值的下标索引值，
np.argmin():最小值的下标索引值，参数是 number 或 array
np.cumsum()：返回一个一维数组，每个元素都是之前所有元素的累加和
np.cumprod()：返回一个一维数组，每个元素都是之前所有元素的累乘积，参数是 number 或 array
>>> a = np.arange(12).reshape(3,4).transpose()
>>> a
array([[ 0, 4, 8],
[ 1, 5, 9],
[ 2, 6, 10],
[ 3, 7, 11]])
>>> np.mean(a)
5.5
>>> np.sum(a)
66
>>> np.argmax(a)
11
>>> np.std(a)
3.4520525295346629
>>> np.cumsum(a)
array([ 0, 4, 12, 13, 18, 27, 29, 35, 45, 48, 55, 66], dtype=int32)
讲解逻辑判断函数的使用方法。
np.any(): 至少有一个元素满足指定条件，返回True
np.all(): 所有的元素满足指定条件，返回True
>>> a = np.random.randn(2,3)
>>> a
array([[-0.65750548, 2.24801371, -0.26593284],
[ 0.31447911, -1.0215645 , -0.4984958 ]])
>>> np.any(a>0)
True
>>> np.all(a>0)
False
介绍去除数组中重复元素的方法。
np.unique(): 去重
>>> a = np.array([[1,2,3],[2,3,4]])
>>> a
array([[1, 2, 3],
[2, 3, 4]])
>>> np.unique(a)
array([1, 2, 3, 4])
以上内容为Numpy基础用法的总结，希望对学习有所帮助。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
