NumPy数组操作详解

在现代数据科学与工程计算领域，高效的数组操作是实现复杂算法的基础。NumPy作为Python的核心科学计算库，提供了一套强大的多维数组对象及操作机制。本文深入探讨NumPy数组的各种操作，旨在帮助读者全面掌握其功能与应用场景。

数组创建与属性查看

NumPy提供了多种数组创建方法，满足不同场景需求。最常见的创建方式是使用np.array()函数，将Python列表转换为NumPy数组：

import numpy as nparr = np.array([1, 2, 3, 4])  # 一维数组
matrix = np.array([[1, 2], [3, 4]])  # 二维数组

对于大规模数据处理，NumPy提供了高效的预分配方法：

zeros = np.zeros(5)  # 创建全零数组
ones = np.ones((3, 3))  # 创建全1数组
arange = np.arange(0, 10, 2)  # 生成等差数列
linspace = np.linspace(0, 10, 5)  # 生成线性分布数组

每个NumPy数组都有多个重要属性：

shape：数组的维度形状，如(4,)表示一维数组长度为4
dtype：元素数据类型，如int64、float32等
size：元素总数
ndim：数组的维度数目

元素级操作

NumPy数组支持逐元素运算，这是其高效性的核心所在：

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])# 逐元素加减乘除
sum_arr = arr1 + arr2  # [5 7 9]
diff_arr = arr2 - arr1  # [3 3 3]
prod_arr = arr1 * arr2  # [4 10 18]
quot_arr = arr2 / arr1  # [4. 2.5 2.]# 标量运算
scaled = arr1 * 2  # [2 4 6]
shifted = arr2 + 5  # [9 10 11]# 幂运算与特殊函数
squares = arr1 ** 2  # [1 4 9]
sin_values = np.sin(arr1)  # [sin(1) sin(2) sin(3)]

数组形状变换

NumPy提供了灵活的形状变换功能，无需复制数据即可改变数组视图：

# 重塑数组
original = np.array([1, 2, 3, 4])
reshaped = original.reshape(2, 2)  # 转换为2x2矩阵# 转置矩阵
transposed = reshaped.T  # 行列互换# 展平数组
flattened = transposed.flatten()  # 转换为一维数组

需要注意的是，reshape()操作返回的是原数组的视图，修改视图会影响原始数据；而flatten()返回的是副本，修改不会影响原数组。

数组拼接与拆分

NumPy提供了强大的数组组合与分解功能：

# 数组拼接
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])horizontal_concat = np.concatenate((a, b))  # [1 2 3 4 5 6]# 数组拆分
split_arrays = np.split(horizontal_concat, [2, 4])
# split_arrays = [array([1,2]), array([3,4]), array([5,6])]

对于二维数组，可以通过指定轴参数（axis=0或axis=1）实现不同维度的拼接与拆分。

统计与数学操作

NumPy内置了大量的统计和数学函数，可以直接在数组上操作：

data = np.array([1, 2, 3, 4, 5])# 基本统计量
mean_val = data.mean()  # 均值：3.0
std_dev = data.std()  # 标准差：1.5811388300841898
max_val = data.max()  # 最大值：5
min_val = data.min()  # 最小值：1# 累积运算
cumsum = data.cumsum()  # [1 3 6 10 15]

对于多维数组，可以通过指定轴参数实现按行或按列的统计计算：

matrix = np.array([[1, 2], [3, 4], [5, 6]])row_sums = matrix.sum(axis=1)  # [3 7 11]
col_sums = matrix.sum(axis=0)  # [9 12]

条件操作与布尔索引

NumPy支持强大的布尔索引功能，可通过条件表达式直接操作数组元素：

ages = np.array([25, 32, 18, 45, 51])# 条件过滤
adults = ages[ages >= 18]  # [25 32 18 45 51]
young_adults = ages[(ages >= 18) & (ages < 30)]  # [25 18]# 条件赋值
ages[ages > 40] = 40
print(ages)  # [25 32 18 40 40]

这种基于条件的数组操作，避免了显式循环，极大提高了代码效率。

广播机制

广播（Broadcasting）是NumPy的核心特性之一，允许不同形状的数组进行运算：

a = np.array([[1], [2], [3]])  # 形状 (3,1)
b = np.array([4, 5, 6])  # 形状 (3,)result = a + b  # 广播后结果为形状 (3,3)
# [[5 6 7]
#  [6 7 8]
#  [7 8 9]]

广播遵循以下规则：

如果数组的维度数不同，在前面补充维度1直到维度数相同
对于每个维度，如果一个数组的长度为1，它会沿着该轴广播到另一个数组的长度

随机操作与数据模拟

NumPy提供了丰富的随机数生成函数，可用于数据模拟：

# 生成随机浮点数
random_floats = np.random.rand(3, 3)  # 3x3随机矩阵，值在[0,1)# 生成随机整数
random_ints = np.random.randint(1, 100, size=(2, 4))  # 生成2行4列1-99的随机整数# 随机打乱数组
data = np.array([1, 2, 3, 4, 5])
np.random.shuffle(data)  # 就地打乱数组顺序

排序操作

NumPy提供了高效的数组排序功能：

arr = np.array([3, 1, 4, 1, 5, 9, 2, 6])sorted_arr = np.sort(arr)  # 返回排序后的副本：[1 1 2 3 4 5 6 9]# 按不同轴排序二维数组
matrix = np.array([[3, 1], [2, 4]])
row_sorted = np.sort(matrix, axis=1)  # 按行排序
col_sorted = np.sort(matrix, axis=0)  # 按列排序# 获取排序索引
indices = np.argsort(arr)  # 返回排序后的索引数组：[1 3 6 0 2 4 7 5]

数据保存与加载

NumPy提供了高效的数组存储方法：

# 保存数组
np.save('my_data.npy', arr)# 保存多个数组
np.savez('multiple_arrays.npz', train=arr_train, test=arr_test)# 加载数组
loaded_arr = np.load('my_data.npy')# 加载压缩文件
archived = np.load('multiple_arrays.npz')
train_data = archived['train']
test_data = archived['test']