NumPy
处理多维数组和数值运算,通常导入为 np。
安装与导入
python -m pip install numpy
import numpy as np
下列小节共用这条导入,其余数据在各小节内创建。
常用用法
创建数组与查看信息
a = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float32)
print(a.shape, a.ndim, a.dtype) # (2, 3)、2、float32
zeros = np.zeros((2, 3))
steps = np.arange(0, 10, 2) # [0, 2, 4, 6, 8]
points = np.linspace(0, 1, 5) # 包含两端,共 5 个点
rng = np.random.default_rng(42)
noise = rng.normal(size=(2, 3))
索引、切片与筛选
a = np.arange(12).reshape(3, 4)
print(a[1, 2]) # 第 2 行、第 3 列:6
print(a[:, :2]) # 所有行的前两列,shape 为 (3, 2)
print(a[a >= 8]) # 布尔筛选:[8, 9, 10, 11]
a[a % 2 == 0] = -1 # 原地修改偶数位置
切片的右端不包含在结果中。
运算、广播与统计
x = np.array([[1., 2., 3.], [4., 5., 6.]])
print(x * 2) # 逐元素运算
print(x + np.array([10, 20, 30])) # (3,) 广播到每一行
print(x.mean(axis=0)) # 各列均值:[2.5, 3.5, 4.5]
print(x.sum(axis=1)) # 各行求和:[6., 15.]
centered = x - x.mean(axis=0, keepdims=True)
axis 是被聚合掉的轴;广播从末尾维度比较,维度相等或其中一个为 1 才能匹配。见广播规则。
形状、拼接与矩阵乘法
a = np.arange(6).reshape(2, 3)
print(a.T.shape) # (3, 2)
print(a.reshape(-1).shape) # (6,),-1 自动推断
print(np.concatenate([a, a], axis=0).shape) # (4, 3),沿旧轴拼接
print(np.stack([a, a], axis=0).shape) # (2, 2, 3),增加一个轴
print((a @ a.T).shape) # (2, 2),矩阵乘法
保存与读取
a = np.arange(6).reshape(2, 3)
np.save("array.npy", a)
restored = np.load("array.npy", allow_pickle=False)
print(np.array_equal(a, restored)) # True
.npy 保留形状和数据类型;纯文本交换可用 np.savetxt / np.loadtxt。
进阶与不常用用法
视图与独立副本
a = np.arange(5)
view = a[1:4] # 基本切片通常共享内存
copy = a[1:4].copy()
view[0] = 99
print(a[1], copy[0]) # 99、1
整数数组和布尔数组索引读取通常产生副本;reshape 能否共享内存取决于布局。见副本与视图。
einsum 表达批量运算
a = np.ones((2, 3, 4))
b = np.ones((2, 4, 5))
c = np.einsum("bij,bjk->bik", a, b)
print(c.shape) # (2, 3, 5),与 a @ b 一致
重复且未出现在输出中的下标会求和;一般矩阵运算先用 @,多轴收缩再查 einsum。
只找最大的几个值
scores = np.array([0.3, 0.9, 0.1, 0.8, 0.5])
k = 2 # 要求 1 <= k <= scores.size
idx = np.argpartition(scores, -k)[-k:]
idx = idx[np.argsort(scores[idx])[::-1]]
print(idx, scores[idx]) # [1, 3]、[0.9, 0.8]
argpartition 只保证分区,选出的部分需要另外排序。
易错点
*是逐元素乘法,@才是矩阵乘法。- 不要用
if a:判断多元素数组,使用(a > 0).any()或.all()。 - 浮点比较使用
np.isclose/np.allclose,避免依赖==。 np.empty不会把内容清零,读取前必须先赋值。