一、为什么选择 NumPy 而非 Python 列表
Python 原生列表（list）虽能存储数组形式的数据，但存在显著性能缺陷：
- 内存效率低：列表存储的是对象指针，即使存储简单数值（如
[0,1,2]），也需要额外存储指针，造成内存浪费； - 计算速度慢：列表元素分散存储，遍历需频繁查找内存地址，无法利用 CPU 矢量化指令；
- 并行计算差：列表原生不支持多线程矩阵运算，难以利用多核 CPU 资源。
NumPy 解决了上述问题：
- 数组元素存储在连续的内存块中，无需额外指针开销；
- 支持 CPU 矢量化指令，计算效率远超列表；
- 内置多线程矩阵运算，可充分利用硬件资源；
- 核心逻辑基于 C 语言实现，避免 Python 解释器的性能损耗。
优化技巧：使用就地操作（如x *= 2）替代隐式拷贝（如y = x * 2），可使运算速度提升 2 倍以上。
二、NumPy 核心对象
NumPy 核心包含两个关键对象：
ndarray：N 维数组对象，用于存储多维数据；ufunc：通用函数对象，用于对数组元素进行高效运算。
2.1 ndarray 多维数组
核心概念
- 秩（rank）：数组的维数，一维数组秩为 1，二维数组秩为 2；
- 轴（axes）：数组的维度方向，例如二维数组的
axis=0代表列方向，axis=1代表行方向； - 属性：
shape（数组尺寸）、dtype（元素数据类型）。
创建基础数组
import numpy as np # 创建一维数组 a = np.array([1, 2, 3]) # 创建二维数组 b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 修改数组元素（下标从 0 开始） b[1,1] = 10 # 查看数组属性 print("a 的尺寸：", a.shape) # 输出 (3,) print("b 的尺寸：", b.shape) # 输出 (3, 3) print("a 的数据类型：", a.dtype) # 输出 int32/int64（取决于系统） print("修改后的 b：\n", b)输出结果：
a 的尺寸： (3,) b 的尺寸： (3, 3) a 的数据类型： int32 修改后的 b： [[ 1 2 3] [ 4 10 6] [ 7 8 9]]结构数组（自定义数据类型）
适用于存储结构化数据（如学生信息、商品信息），类似 C 语言的struct：
import numpy as np # 定义结构类型：姓名（字符串）、年龄（整型）、语文/数学（整型）、英语（浮点型） persontype = np.dtype({ 'names': ['name', 'age', 'chinese', 'math', 'english'], 'formats': ['S32', 'i', 'i', 'i', 'f'] }) # 创建结构数组 peoples = np.array([ ("ZhangFei", 32, 75, 100, 90), ("GuanYu", 24, 85, 96, 88.5), ("ZhaoYun", 28, 85, 92, 96.5), ("HuangZhong", 29, 65, 85, 100) ], dtype=persontype) # 提取指定字段并计算平均值 ages = peoples[:]['age'] chineses = peoples[:]['chinese'] maths = peoples[:]['math'] englishs = peoples[:]['english'] print("平均年龄：", np.mean(ages)) print("平均语文成绩：", np.mean(chineses)) print("平均数学成绩：", np.mean(maths)) print("平均英语成绩：", np.mean(englishs))输出结果：
平均年龄： 28.25 平均语文成绩： 77.5 平均数学成绩： 93.25 平均英语成绩： 93.752.2 ufunc 通用函数
ufunc 是对数组元素进行批量操作的函数，基于 C 语言实现，运算速度极快。
1. 连续数组创建
函数 | 用法 | 说明 |
|
| 不包含终止值，生成等差数组 |
|
| 包含终止值，线性等分生成数组 |
示例：
import numpy as np x1 = np.arange(1, 11, 2) # 起始1，终止11（不含），步长2 x2 = np.linspace(1, 9, 5) # 起始1，终止9（含），生成5个元素 print("x1：", x1) # 输出 [1 3 5 7 9] print("x2：", x2) # 输出 [1 3 5 7 9]2. 算术运算
支持数组间的加、减、乘、除、次方、取余等运算：
import numpy as np x1 = np.arange(1, 11, 2) x2 = np.linspace(1, 9, 5) print("加法：", np.add(x1, x2)) # [ 2. 6. 10. 14. 18.] print("减法：", np.subtract(x1, x2)) # [0. 0. 0. 0. 0.] print("乘法：", np.multiply(x1, x2)) # [ 1. 9. 25. 49. 81.] print("除法：", np.divide(x1, x2)) # [1. 1. 1. 1. 1.] print("次方：", np.power(x1, x2)) # [1.00000000e+00 2.70000000e+01 ...] print("取余：", np.remainder(x1, x2)) # [0. 0. 0. 0. 0.]（也可用 np.mod）3. 统计函数
函数 | 功能 | 示例（二维数组 |
| 计算指定轴的最小值 |
|
| 计算指定轴的最大值 |
|
| 计算最大值与最小值的差（极差） |
|
| 计算第 p 百分位数（p∈[0,100]） |
|
| 计算中位数 |
|
| 计算算术平均值 |
|
| 计算加权平均值 |
|
| 计算标准差 |
|
| 计算方差 |
|
示例（加权平均）：
import numpy as np a = np.array([1,2,3,4]) wts = np.array([1,2,3,4]) print("算术平均：", np.average(a)) # 2.5 print("加权平均：", np.average(a, weights=wts)) # 3.04. 排序
np.sort(a, axis, kind)：默认快速排序（kind=quicksort），支持合并排序（mergesort）、堆排序（heapsort）。
axis=None：展平数组后整体排序；axis=0：沿列排序；axis=1：沿行排序（默认）。
示例：
import numpy as np a = np.array([[4,3,2],[2,4,1]]) print("默认排序（axis=1）：\n", np.sort(a)) # [[2 3 4],[1 2 4]] print("展平排序：", np.sort(a, axis=None)) # [1 2 2 3 4 4] print("沿列排序（axis=0）：\n", np.sort(a, axis=0)) # [[2 3 1],[4 4 2]] print("沿行排序（axis=1）：\n", np.sort(a, axis=1)) # [[2 3 4],[1 2 4]]三、核心总结
- NumPy 优势：相比 Python 列表，NumPy 数组内存连续、支持矢量化运算和多线程，计算效率大幅提升；
- 核心对象：
ndarray用于存储多维数组（支持自定义结构），ufunc用于数组的高效运算； - 关键操作：掌握数组的创建、算术运算、统计分析（均值/方差/极差等）、排序，是 NumPy 应用的核心。
