本文基于Numpy思维导图整理核心知识点，适合快速入门和知识体系梳理。

一、引言 

Numpy作为Python科学计算的核心库，凭借高性能多维数组对象（ndarray）和高效计算能力，成为数据分析、机器学习等领域的必备工具。本文将从基本操作与运算两大维度，系统性梳理Numpy的核心功能，助你快速掌握其精髓。

二、Numpy基本操作 

1. ndarray数组的创建 

生成0/1数组：np.zeros(shape), np.ones(shape)

np.zeros(shape=(2,3),dtype=int)

np.ones(shape=(3,4),dtype=np.int32)

从现有数据生成：np.array(), np.copy(), np.asarray()

score=np.array([[1,2,3,4,5],[6,7,8,9,10],[11,12,13,14,15],[16,17,18,19,20]])

data1 =np.array(score)

# np.asarray()浅拷贝

data2=np.asarray(score)

#np.copy深拷贝

data3=np.copy(score)

生成特定范围数组： 

  等差数列：np.linspace(start, stop, num) 

  固定步长：np.arange(start, stop, step) 

python

import numpy as np

arr = np.zeros((3,3))  # 3x3全0数组

arr_lin = np.linspace(0, 10, 5)  # [0., 2.5, 5., 7.5, 10.]

2. ndarray属性与方法 

核心属性： 

.shape：数组形状（如(2,3)） 

.dtype：数据类型（如int32, float64） 

形状修改： 

reshape(new_shape)：不改变数据调整形状 

.T：转置数组 

resize()：直接修改原数组形状 

3. 切片与索引 

基础切片：arr[start:end:step]

布尔索引：通过条件筛选数据，如arr[arr > 5]

4. 类型转换与序列化

修改数据类型：astype(new_type) 

序列化存储：tostring() 

5. 随机数生成

均匀分布：np.random.uniform(low, high, size) 

正态分布：np.random.normal(loc, scale, size) 

6. 数据去重

唯一值提取：np.unique(arr) 

三、Numpy运算 

1. 逻辑运算与布尔索引

逻辑判断：np.all(), np.any()

三元运算符：np.where(condition, x, y) 

python

cond = np.array([True, False, True])

result = np.where(cond, 1, -1)  # [1, -1, 1]

2. 统计运算 

常用函数：min(), max(), mean()（均值）, median()（中位数）, var()（方差）, std()（标准差） 

沿轴计算：np.max(arr, axis=0)（按列求最大值） 

3. 数据与数组运算

广播机制（Broadcasting）：允许不同形状数组逐元素运算（如标量与数组相加）。 

规则：从后向前逐维对齐，缺失维度视为1，维度为1时可扩展。 

4. 矩阵运算

点乘（内积）：np.dot(a, b)或 a @ b

矩阵相乘规则：形状需满足 (m,n) × (n,p) = (m,p) 

python

a = np.array([[1,2], [3,4]])

b = np.array([[5,6], [7,8]])

print(a @ b)  # [[19 22], [43 50]]

四、总结 

Numpy的核心优势在于**高效的多维数据操作**和**丰富的数学运算支持**。通过掌握数组创建、形状操作、统计计算和广播机制，读者可快速构建数据处理流程。后续可结合Pandas、Scipy等库深入实践，解锁更复杂的科学计算场景。

欢迎在评论区分享你的学习心得或疑问，文章如有错误可在评论区留言。

1