Hello！这里是程序员 Feri—— 13 年 + 开发经验、带过团队、创过业，专注分享编程知识干货。

感谢你的关注与交流，愿我们能相伴你的编程路。

如果你刚接触 Python 数据处理，肯定听过一个名字——NumPy。有人说“学数据分析先学 NumPy”，有人说“用 Python 算数据离不开它”。到底 NumPy 是个啥？为什么这么重要？

今天这篇文章，用大白话+简单代码，带新手彻底搞懂 NumPy，看完就能上手用。

一、先搞明白：为啥需要 NumPy？

咱们先从一个问题开始：Python 本身有列表（list），能存数据、做运算，为啥还要额外学 NumPy？

举个例子：如果你有两个列表 a = [1,2,3] 和 b = [4,5,6]，想让它们对应元素相加（1+4，2+5，3+6），用 Python 列表得写循环：

a = [1,2,3]
b = [4,5,6]
c = [a[i]+b[i] for i in range(3)]  # 得写循环才敢相加
print(c)  # 结果 [5,7,9]

但用 NumPy，一句话就行：

import numpy as np
a = np.array([1,2,3])
b = np.array([4,5,6])
c = a + b  # 直接加，不用循环
print(c)  # 结果 [5 7 9]

这就是 NumPy 的核心优势：处理数据更快、代码更简单。它就像给 Python 装了个“数据加速器”——不管是算加减乘除，还是处理几万、几十万条数据，都比纯 Python 快得多。

简单说：NumPy 是 Python 里专门用来高效处理数值数据的库，尤其是多维数据（比如表格、矩阵），是 Pandas、Matplotlib 这些常用库的“底层基础”。学会它，后续学数据分析、机器学习会轻松很多。

二、第一步：3分钟装好 NumPy

安装超简单，和装 Matplotlib 差不多，选一种方式就行：

1. 用 pip 安装（大多数人用这个）

打开“命令提示符”（Windows）或“终端”（Mac/Linux），输入：

pip install numpy

2. 用 conda 安装（Anaconda 用户专属）

如果你的 Python 是用 Anaconda 装的，输入：

conda install numpy

3. 验证是否装成功

打开 Python 或 Jupyter Notebook，输入两行代码：

import numpy as np  # 引入NumPy，习惯简写成np
print(np.__version__)  # 打印版本号，比如 1.26.0

没报错、能看到版本号，就说明装好了！

三、NumPy 的“灵魂”：ndarray 数组

NumPy 的核心是 ndarray（N维数组）——可以理解成“规整的收纳盒”，和 Python 列表（像“杂乱的抽屉”）完全不同。

比如 Python 列表可以混着放数据：[1, "a", True]，但 ndarray 里的元素必须是同一种类型（比如全是数字），正因为这种“规整”，它运算起来才快。

1. 怎么创建 ndarray？5种常用方法

创建数组是第一步，这5种方法覆盖了90%的场景，记下来就行：

（1）从 Python 列表创建：np.array()

最常用的方式，把列表“转成”ndarray：

import numpy as np

# 1维数组（像一条线）
arr1 = np.array([1, 2, 3, 4])
print(arr1)  # 输出 [1 2 3 4]

# 2维数组（像一张表，2行3列）
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2)
# 输出：
# [[1 2 3]
#  [4 5 6]]

（2）创建全零/全一数组：np.zeros() / np.ones()

需要初始化一个数组，全是0或1时用，比如创建2行2列的全零数组：

# 全零数组
zero_arr = np.zeros((2, 2))  # 参数是形状 (行数, 列数)
print(zero_arr)
# 输出：
# [[0. 0.]
#  [0. 0.]]

# 全一数组
one_arr = np.ones((3, 1))  # 3行1列
print(one_arr)
# 输出：
# [[1.]
#  [1.]
#  [1.]]

（3）创建连续数字数组：np.arange()

类似 Python 的 range()，但返回的是 ndarray，用着更方便：

# 从0到4（不包含5），步长1
arr = np.arange(0, 5, 1)
print(arr)  # 输出 [0 1 2 3 4]

# 从2到10，步长2
arr2 = np.arange(2, 11, 2)
print(arr2)  # 输出 [ 2  4  6  8 10]

（4）创建“等分”数组：np.linspace()

比如想把0到10分成5个等份，用这个方法：

# 从0到10，分成5个点（包含10）
arr = np.linspace(0, 10, 5)
print(arr)  # 输出 [ 0.   2.5  5.   7.5 10. ]

适合需要“均匀间隔”数据的场景，比如画函数曲线。

（5）创建空数组：np.empty()

创建一个“空”数组（其实是随机值，因为没初始化），适合后续填充数据：

empty_arr = np.empty((2, 3))  # 2行3列
print(empty_arr)
# 输出（值是随机的，每次运行可能不一样）：
# [[1. 2. 3.]
#  [4. 5. 6.]]

2. 数组的“身份证”：4个关键属性

拿到一个数组，想知道它的“基本信息”，看这4个属性就够了：

属性名	含义	例子（用 arr2 = np.array([[1,2,3],[4,5,6]])）
ndim	维度数	arr2.ndim → 2（2维数组）
shape	形状（行数, 列数）	arr2.shape → (2, 3)（2行3列）
size	元素总数	arr2.size → 6（2×3=6个元素）
dtype	元素数据类型	arr2.dtype → int64（64位整数）

代码演示：

arr2 = np.array([[1,2,3],[4,5,6]])
print("维度数：", arr2.ndim)    # 输出 2
print("形状：", arr2.shape)    # 输出 (2, 3)
print("元素总数：", arr2.size) # 输出 6
print("数据类型：", arr2.dtype)# 输出 int64

四、NumPy 核心操作：数据怎么用？

创建好数组后，就是对数据进行操作——运算、取数、改形状，这些操作是日常用得最多的。

1. 基本运算：不用循环，直接算

NumPy 支持“向量化操作”，也就是数组之间直接加减乘除，不用写 for 循环，又快又方便。

（1）数组和数字运算

arr = np.array([1, 2, 3])
print(arr + 2)  # 每个元素都加2 → [3 4 5]
print(arr * 3)  # 每个元素都乘3 → [3 6 9]
print(arr / 2)  # 每个元素都除以2 → [0.5 1.  1.5]

（2）两个数组运算

只要形状匹配，就能对应元素运算：

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
print(arr1 + arr2)  # 对应元素加 → [5 7 9]
print(arr1 * arr2)  # 对应元素乘 → [ 4 10 18]

2. 取数：索引和切片

和 Python 列表类似，但多维数组的取数更灵活，比如从2维数组里取某一行、某一列。

（1）1维数组：和列表一样

arr = np.arange(0, 5)
print(arr[0])   # 取第1个元素 → 0
print(arr[2:4]) # 取第3到第4个元素（不包含5）→ [2 3]
print(arr[-1])  # 取最后1个元素 → 4

（2）2维数组：行在前，列在后

格式：arr[行索引, 列索引]，用 : 表示“所有”：

arr2 = np.array([[1,2,3],[4,5,6],[7,8,9]])  # 3行3列

# 取第2行（索引从0开始，所以1是第2行）
print(arr2[1])  # 输出 [4 5 6]

# 取第3列（索引2）的所有行
print(arr2[:, 2])  # 输出 [3 6 9]

# 取第2行第3列的元素
print(arr2[1, 2])  # 输出 6

# 取第1-2行，第2列（切片）
print(arr2[0:2, 1])  # 输出 [2 5]

3. 改形状：reshape() 等方法

有时候需要把数组从“2行3列”改成“3行2列”，用这些方法：

（1）reshape()：不改变原数组，返回新数组

注意：改后的形状必须满足“元素总数不变”，比如6个元素可以改成(2,3)或(3,2)，但不能改成(4,2)（4×2=8≠6）：

arr = np.arange(6)  # [0 1 2 3 4 5]，1维6个元素

# 改成2行3列
new_arr = arr.reshape(2, 3)
print(new_arr)
# 输出：
# [[0 1 2]
#  [3 4 5]]

# 改成3行2列
new_arr2 = arr.reshape(3, 2)
print(new_arr2)
# 输出：
# [[0 1]
#  [2 3]
#  [4 5]]

（2）flatten()：把多维数组“压平”成1维

arr2 = np.array([[1,2,3],[4,5,6]])
flat_arr = arr2.flatten()
print(flat_arr)  # 输出 [1 2 3 4 5 6]

（3）transpose()：数组转置（行变列，列变行）

比如2行3列转成3行2列：

arr2 = np.array([[1,2,3],[4,5,6]])
trans_arr = arr2.transpose()
print(trans_arr)
# 输出：
# [[1 4]
#  [2 5]
#  [3 6]]

五、难点突破：广播机制（Broadcasting）

这是 NumPy 里比较难理解的点，但也是很实用的功能——不同形状的数组，也能一起运算。

举个例子：用一个1行3列的数组，加一个3行1列的数组，结果是3行3列：

arr1 = np.array([[1,2,3]])  # 1行3列
arr2 = np.array([[4],[5],[6]])  # 3行1列
print(arr1 + arr2)
# 输出：
# [[5 6 7]
#  [6 7 8]
#  [7 8 9]]

为什么能这样算？因为 NumPy 会自动把小形状的数组“放大”（广播）到和大数组匹配：

• arr1（1行3列）→ 放大成3行3列：[[1,2,3],[1,2,3],[1,2,3]]

• arr2（3行1列）→ 放大成3行3列：[[4,4,4],[5,5,5],[6,6,6]]

• 然后再对应元素相加

简单记广播的核心规则：只要某一维度长度相同，或有一个是1，就能广播。如果形状完全不搭（比如(2,3)和(4,5)），就会报错。

六、NumPy 为什么这么快？3个关键原因

新手不用深入原理，但要知道它快在哪里，才明白什么时候该用：

1. 向量化操作：不用循环，直接对整个数组运算，减少 Python 解释器的开销；

2. 内存连续：ndarray 的元素在内存里是连续存储的，访问速度比列表（元素地址分散）快得多；

3. C语言实现：NumPy 底层是用 C 写的，执行速度比纯 Python 代码快几十甚至上百倍。

举个直观的例子：计算100万个数字的平方，NumPy 比 Python 循环快几十倍：

import numpy as np
import time

# Python 循环
start = time.time()
a = [i**2 for i in range(1000000)]
print("Python循环耗时：", time.time() - start)  # 大概0.1秒

# NumPy 向量化
start = time.time()
b = np.arange(1000000) ** 2
print("NumPy耗时：", time.time() - start)  # 大概0.001秒，快100倍！

七、新手必踩的4个坑，提前避开！

1. 修改数组会影响原数组
   ndarray 是“可变对象”，比如用 reshape() 虽然返回新数组，但如果用切片取数，修改切片会影响原数组：

   arr = np.array([1,2,3,4])
   slice_arr = arr[1:3]  # 切片是原数组的“视图”，不是副本
   slice_arr[0] = 100    # 修改切片
   print(arr)  # 原数组也变了 → [  1 100   3   4]
   

   解决办法：想要副本，用 copy() 方法：slice_arr = arr[1:3].copy()

2. 数据类型转换可能丢数据
   比如把浮点数（1.8）转成整数，会直接丢掉小数部分，不是四舍五入：

   arr = np.array([1.8, 2.3])
   int_arr = arr.astype(int)  # 转成整数
   print(int_arr)  # 输出 [1 2]（不是2和2）
   

3. 切片和列表切片的区别
   Python 列表切片返回的是副本，修改切片不影响原列表；但 NumPy 切片返回的是“视图”，修改会影响原数组（前面已经讲过）。

4. 广播失败的问题
   不是所有形状都能广播，比如(2,3)的数组和(2,4)的数组相加，会报错，因为列数3和4不匹配，也没有一个是1。

八、总结：NumPy 核心就是“高效处理数组”

学完这篇文章，你已经掌握了 NumPy 的核心用法：

• 用 ndarray 替代列表，处理数据更高效；

• 会创建数组、查属性、做运算、取数据；

• 知道广播机制的好处，避开新手坑。

NumPy 是数据分析、机器学习的“基石”——后续学 Pandas（处理表格数据）、Matplotlib（画图），都会用到 NumPy 的知识。现在就打开电脑，试着用 NumPy 创建几个数组，做几次运算，练一遍就全懂了！

最后记住：再复杂的工具，都是从“画第一个数组”开始的，加油！

跟着 Feri 学 NumPy，专注每步都成长！