Python NumPy ndarray数组核心特性与基础操作指南

Ryan

发布时间：2026-10-14| 2人浏览过

原创

本文详细介绍Python中NumPy库的核心对象ndarray。重点解析其同质性、零基索引及形状维度等关键特性，并通过代码实例演示如何定义数组与矩阵、使用特殊函数生成数据，以及执行元素级算术运算和聚合统计。内容涵盖从基础创建到多维数据处理的完整流程，帮助开发者快速掌握NumPy数组的高效使用方法。

NumPy数组（ndarray）最显著的特征是其同质性，这意味着数组内所有元素必须具有相同的数据类型。这一设计确保了内存布局的紧凑性和计算的高效性，避免了因类型混杂带来的额外开销。

在ndarray数组中，元素通常要求数据类型保持一致。索引机制遵循从0开始的规则，即第一个元素的索引为0，而最后一个元素的索引值为数组总长度减1。这种索引方式与C/C++等底层语言一致，便于高效访问数据。

以下是具体的代码示例，展示如何创建和操作数组。


import numpy as np
 
a = np.arange(0, 5, 1)
print(a)
b = np.arange(0, 10, 2)
print(b)

为了更深入理解，我们补充一些关于数组定义和操作的知识点。

除了常规列表转换，NumPy提供了多种方法定义数组。例如，可以使用np.arange生成指定范围和步长的序列，如代码所示，分别生成了从0到4和从0到8（步长为2）的数组。


>>> import numpy as np
>>> m = np.array([[1,2,3], [2,3,4]])    #定义矩阵，int64
>>> m
array([[1, 2, 3],
    [2, 3, 4]])
>>> m = np.array([[1,2,3], [2,3,4]], dtype=np.float)  #定义矩阵,float64
>>> m
array([[1., 2., 3.],
    [2., 3., 4.]])
>>> print(m.dtype)  #数据类型  
float64
>>> print(m.shape)  #形状2行3列
(2, 3)
>>> print(m.ndim)   #维数
2
>>> print(m.size)   #元素个数
6
>>> print(type(m))
<class 'numpy.ndarray'>

NumPy还包含一些特殊函数用于快速定义特定结构的矩阵。通过指定dtype参数，可以明确控制矩阵的数据类型（如int64或float64）。此外，np.zeros、np.ones、np.full等函数可分别生成全0、全1或指定值的矩阵，np.eye生成单位矩阵，而np.random系列函数则支持随机数生成，包括均匀分布、正态分布及特定范围内的整数选择。


>>> m = np.zeros((2,2))     #全0
>>> m
array([[0., 0.],
    [0., 0.]])
>>> print(type(m))        #也是ndarray类型
<class 'numpy.ndarray'>
>>> m = np.ones((2,2,3))    #全1
>>> m = np.full((3,4), 7)    #全为7
>>> np.eye(3)          #单位矩阵
array([[1., 0., 0.],
    [0., 1., 0.],
    [0., 0., 1.]])
>>> np.arange(20).reshape(4,5)  #生成一个4行5列的数组
>>>
>>> np.random.random((2,3))    #[0,1)随机数
array([[0.51123127, 0.40852721, 0.26159126],
    [0.42450279, 0.34763668, 0.06167501]])
>>> np.random.randint(1,10,(2,3))  #[1,10)随机整数的2行3列数组
array([[5, 4, 9],
    [2, 5, 7]])
>>> np.random.randn(2,3)       #正态随机分布
array([[-0.29538656, -0.50370707, -2.05627716],
    [-1.50126655, 0.41884067, 0.67306605]])
>>> np.random.choice([10,20,30], (2,3))   #随机选择
array([[10, 20, 10],
    [30, 10, 20]])
>>> np.random.beta(1,10,(2,3))       #贝塔分布
array([[0.01588963, 0.12635485, 0.22279098],
    [0.08950147, 0.02244569, 0.00953366]])

对数组进行操作时，NumPy支持元素级的算术运算。例如，两个数组相加对应位置元素相加，数组与标量相乘则每个元素都乘以该标量。对于多维数组，可以通过索引访问特定元素或子数组，并利用sum等聚合函数按指定轴（axis）进行求和计算。


>>> from numpy import *
>>> a1=array([1,1,1])  #定义一个数组
>>> a2=array([2,2,2])
>>> a1+a2        #对于元素相加
array([3, 3, 3])
>>> a1*2         #乘一个数
array([2, 2, 2])

##
>>> a1=np.array([1,2,3])
>>> a1
array([1, 2, 3])
>>> a1**3       #表示对数组中的每个数做立方
array([ 1, 8, 27])

##取值，注意的是它是以0为开始坐标，不matlab不同
>>> a1[1]
2

##定义多维数组
>>> a3=np.array([[1,2,3],[4,5,6]])
>>> a3
array([[1, 2, 3],
    [4, 5, 6]])
>>> a3[0]       #取出第一行的数据
array([1, 2, 3])
>>> a3[0,0]      #第一行第一个数据
1
>>> a3[0][0]     #也可用这种方式
1
>>> a3
array([[1, 2, 3],
    [4, 5, 6]])
>>> a3.sum(axis=0)   #按行相加，列不变
array([5, 7, 9])
>>> a3.sum(axis=1)   #按列相加，行不变
array([ 6, 15])

至此，关于Python ndarray数组对象的特点及实例分享已完成。如需了解更多相关内容，建议查阅本站过往文章或继续浏览后续更新。感谢大家的支持！