- 第 104 篇 -
Date: 2025 - 06 - 05
Author: 郑龙浩/仟墨

NumPy 函数与方法全集

1. 数组创建与初始化

基础创建

创建数组

• np.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)

  将Python序列转换为ndarray数组，默认创建副本

  • dtype：指定数组数据类型
  • copy：是否创建副本（默认为True）
  • ndmin：指定最小维度数

np.array([1, 2, 3])  # 一维数组
np.array([[1, 2], [3, 4]])  # 二维数组
np.array([1, 2, 3], dtype=float)  # 指定float类型

• np.asarray(a, dtype=None, order=None)

  将输入转换为数组，如果输入已经是数组且满足要求则不创建副本

  • 比np.array更高效，适合确保输入为数组的场景

arr = np.array([1, 2, 3])
np.asarray(arr) is arr  # True，不创建副本
np.asarray([1, 2, 3])  # 转换列表为数组

序列生成

生成数值序列

• np.arange([start,] stop, [step,], dtype=None)

  创建等差序列数组

  • start：起始值（默认为0）
  • stop：结束值（不包含）
  • step：步长（默认为1）

np.arange(5)  # [0, 1, 2, 3, 4]
np.arange(1, 10, 2)  # [1, 3, 5, 7, 9]
np.arange(0, 1, 0.1)  # [0.0, 0.1, ..., 0.9]
np.arange(, 10, 2)  # [0, 2, 4, 6, 8]

• np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

  创建等间隔数列

  • num：生成样本数
  • endpoint：是否包含结束值
  • retstep：是否返回步长

np.linspace(0, 1, 5)  # [0.0, 0.25, 0.5, 0.75, 1.0]
np.linspace(0, 1, 5, endpoint=False)  # [0.0, 0.2, 0.4, 0.6, 0.8]

特殊数组

创建特殊值数组

• np.zeros(shape, dtype=float, order='C')

  创建全0数组

  • shape：数组形状（整数或元组）
  • type=float：默认为float，可以设置其他类型，如int
  • order='C' 表示数组按 行优先 存储，order='F'列优先 –> 了解即可

np.zeros(3)  # [0., 0., 0.]
np.zeros((2, 3))  # 2行3列全0数组
np.zeros((2, 3), dtype=int)  # 整数型全0数组

• np.ones(shape, dtype=None, order='C')

  创建全1数组

  • 当 dtype=None 时，NumPy 会使用浮点数类型 float64 作为默认类型

np.ones(4)  # [1., 1., 1., 1.]
np.ones((2, 2), dtype=bool)  # [[True, True], [True, True]]

• np.empty(shape, dtype=float, order='C')

  创建未初始化数组

  • 内容为内存中的随机值，比zeros更快

np.empty(3)  # 内容不确定
np.empty((2, 2))  # 2x2未初始化数组

2. 数组操作

形状操作

改变数组形状

• ndarray.reshape(shape, order='C')

  返回新形状数组，不改变原数据

  • shape：新形状，可以使用-1自动计算维度

    其中，如果列数为-1，则表示自动计算列数

  • order：'C’按行，'F’按列

arr = np.arange(1, 7) #[1, 2, 3, 4, 5, 6]
arr.reshape(2, 3)  # [[1, 2, 3], [4, 5, 6]]
arr.reshape(3, -1)  # 自动计算列数
arr.reshape(3, -1, order='C') # order='C',可写可不写

• ndarray.resize(new_shape, refcheck=True)

  原地修改数组形状

  • 与reshape不同，会直接修改原数组
  • 新数组大于原数组时填充0，小于则截断

arr = np.array([1, 2, 3])
arr.resize(2, 2)  # [[1, 2], [3, 0]]

合并与分割

数组组合操作

• np.concatenate((a1, a2, ...), axis=0, out=None)

  沿现有轴连接数组序列

  • axis：连接的轴向（0为行，1为列） –> 0为第一个轴（垂直方向），1为第二个轴（水平方向）

a = np.array([[1, 2],[3, 4]])
b = np.array([[5, 6],[7, 8]])
print(f'a尺寸：{a.shape}, b尺寸：{b.shape}')
print(np.concatenate((a, b)))  # [1, 2, 3, 4]
arr1 = np.concatenate((a, b), axis=0) # 按列拼接
print(f'按行拼接：\n{arr1}\n数组尺寸：{arr1.shape}\n')
arr2 = np.concatenate((a, b), axis=1) # 按行拼接
print(f'按列拼接：\n{arr2}\n数组尺寸：{arr2.shape}')


#打印结果a尺寸：(2, 2), b尺寸：(2, 2)
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
按行拼接：
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
数组尺寸：(4, 2)

按列拼接：
[[1 2 5 6]
 [3 4 7 8]]
数组尺寸：(2, 4)
a尺寸：(2, 2), b尺寸：(2, 2)
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
按行拼接：
[[1 2]
 [3 4]
 [5 6]
 [7 8]]
数组尺寸：(4, 2)

按列拼接：
[[1 2 5 6]
 [3 4 7 8]]
数组尺寸：(2, 4)

• np.vstack(tup) / np.hstack(tup)

  垂直/水平堆叠数组

np.vstack((a, b))  # [[1, 2], [3, 4]]
np.hstack((a, b))  # [1, 2, 3, 4]

3. 数学运算

基础运算

基本数学运算

• np.add(x1, x2, /, out=None, *, where=True)

  数组元素相加

np.add([1, 2], [3, 4])  # [4, 6]

• np.multiply(x1, x2, /, out=None, *, where=True)

  数组元素相乘

np.multiply([1, 2], [3, 4])  # [3, 8]

统计运算

统计计算方法

• np.sum(a, axis=None, dtype=None, out=None, keepdims=False)

  计算数组元素和

  • axis：沿指定轴计算（None表示全部元素）

arr = np.array([[1, 2], [3, 4]])
print(np.sum(arr))  # 10
print(np.sum(arr, axis=None))  # 10
print(np.sum(arr, axis=0))  # [4, 6] (列间求和)
print(np.sum(arr, axis=1))  # [4, 6] (行间求和)

• np.mean(a, axis=None, dtype=None, out=None, keepdims=False)

  计算平均值

np.mean([1, 2, 3])  # 2.0
np.mean(arr, axis=1)  # [1.5, 3.5] (行间平均)

4. 随机数生成

基础随机

随机数生成

• np.random.rand(d0, d1, ..., dn)

  生成[0,1)均匀分布随机数

np.random.rand()  # 单个随机数
np.random.rand(2, 3)  # 2x3随机数组

• np.random.randint(low, high=None, size=None, dtype='l')

  生成随机整数

  • size：输出形状

np.random.randint(5)  # 0-4随机整数
np.random.randint(1, 10, size=(2, 2))  # 2x2的1-9随机数组

分布函数

概率分布随机数

• np.random.normal(loc=0.0, scale=1.0, size=None)

  正态分布随机数

  • loc：均值
  • scale：标准差

np.random.normal(0, 1, 3)  # 3个标准正态随机数

• np.random.uniform(low=0.0, high=1.0, size=None)

  均匀分布随机数

np.random.uniform(1, 5, 3)  # 3个1-5均匀分布数

5. 文件IO

文件读写

数组文件操作

• np.save(file, arr, allow_pickle=True, fix_imports=True)

  保存数组为.npy文件

arr = np.array([1, 2, 3])
np.save('data.npy', arr)

• np.load(file, mmap_mode=None, allow_pickle=False, fix_imports=True, encoding='ASCII')

  加载.npy文件

loaded_arr = np.load('data.npy')