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。

官方文档

应用于项目

手写数字识别 从 NumPy 核心实现到 PyTorch 对照,按六阶段组织手写数字识别的模块、知识与实践。