NumPy 基础入门：ndarray

🧮 什么是 ndarray？

ndarray（N-dimensional Array）是 NumPy 的核心数据结构——一个同构多维数组。所有元素类型相同，内存连续存储，因此比 Python list 快 10~100 倍。

📦 创建 ndarray

从 Python 数据结构创建

importnumpyasnp# 从列表创建arr=np.array([1,2,3,4,5])print(arr)# [1 2 3 4 5]# 从嵌套列表（二维）mat=np.array([[1,2,3],[4,5,6],[7,8,9]])print(mat)# [[1 2 3]# [4 5 6]# [7 8 9]]# 三维及以上tensor=np.array([[[1,2],[3,4]],[[5,6],[7,8]]])print(tensor.shape)# (2, 2, 2)# 从元组arr=np.array((10,20,30))# 指定数据类型arr=np.array([1,2,3],dtype=np.float64)arr=np.array([1,2,3],dtype='float32')

特殊数组

# 全零a=np.zeros(5)# [0. 0. 0. 0. 0.]a=np.zeros((3,4))# 3×4 全零矩阵a=np.zeros_like(b)# 和 b 形状相同的全零# 全一a=np.ones(5)# [1. 1. 1. 1. 1.]a=np.ones((2,3,4))# 2×3×4 全一张量a=np.ones_like(b)# 全填充a=np.full((3,4),7)# 全为 7 的 3×4 矩阵a=np.full_like(b,3.14)# 单位矩阵a=np.eye(4)# 4×4 单位矩阵a=np.identity(5)# 5×5 单位矩阵a=np.eye(3,4,k=1)# 对角偏移（k>0 向右上偏）# 对角矩阵a=np.diag([1,2,3,4])# 以 [1,2,3,4] 为对角线的矩阵a=np.diag(mat)# 提取矩阵的对角线# 未初始化（更快但数据不定）a=np.empty((3,4))

序列数组 ⭐

# arange: 等差序列（最常用）a=np.arange(10)# [0 1 2 3 4 5 6 7 8 9]a=np.arange(2,10)# [2 3 4 5 6 7 8 9]a=np.arange(0,10,2)# [0 2 4 6 8] 步长=2a=np.arange(10,0,-1)# [10 9 8 7 6 5 4 3 2 1] 倒序# linspace: 等分序列（包含终点！）a=np.linspace(0,1,5)# [0. 0.25 0.5 0.75 1. ]a=np.linspace(0,10,100)# 0~10 均匀取 100 个点# logspace: 对数等分a=np.logspace(0,3,4)# [1. 10. 100. 1000.] 10^0~10^3 取4个# geomspace: 等比数列a=np.geomspace(1,1000,4)# [1. 10. 100. 1000.]# meshgrid: 网格坐标（二维绘图必备）x=np.linspace(-5,5,100)y=np.linspace(-5,5,100)X,Y=np.meshgrid(x,y)# X, Y 都是 (100, 100)Z=np.sqrt(X**2+Y**2)# 网格运算# mgrid / ogrid: 更便捷的网格X,Y=np.mgrid[-5:5:100j,-5:5:100j]# mgrid: 完整网格（100j = 100 个点）X,Y=np.ogrid[-5:5:100j,-5:5:100j]# ogrid: 开放网格（节省内存）

模仿形状创建

a=np.arange(12).reshape(3,4)np.zeros_like(a)# 和 a 同形的全零np.ones_like(a)# 和 a 同形的全一np.full_like(a,3.14)# 和 a 同形的填充np.empty_like(a)# 和 a 同形的未初始化

📐 ndarray 属性

arr=np.arange(24).reshape(2,3,4)print(arr.shape)# (2, 3, 4) — 各维度大小print(arr.ndim)# 3 — 维度数print(arr.dtype)# int32（默认，取决于系统）— 元素类型print(arr.size)# 24 — 总元素数print(arr.itemsize)# 4 — 每个元素的字节数（int32=4字节）print(arr.nbytes)# 96 — 总内存占用（= size × itemsize）print(arr.strides)# (48, 16, 4) — 每维步长print(arr.flags)# 内存布局标志print(arr.base)# 如果是视图，返回原始数组print(arr.T)# 转置视图（不复制数据）print(arr.real)# 实部print(arr.imag)# 虚部print(arr.flat)# 展平迭代器

关于 strides（步长）

arr=np.arange(24).reshape(2,3,4)print(arr.strides)# (48, 16, 4)# 含义：沿 axis=0 跨 48 字节（3×4×4），沿 axis=1 跨 16 字节（4×4），沿 axis=2 跨 4 字节（1 个 int32）

🔢 数据类型（dtype）

常用数值类型

特殊类型

# 字符串arr=np.array(['hello','world'],dtype='U10')# Unicode, 最长 10 字符arr=np.array([b'hello',b'world'],dtype='S10')# 字节字符串# 对象（存 Python 对象，性能差，少用）arr=np.array([{'a':1},[1,2,3]],dtype=object)# 结构化类型（存不同类型列）dt=np.dtype([('name','U10'),('age','i4'),('score','f8')])# datetimearr=np.array(['2024-01-01','2024-06-15'],dtype='datetime64[D]')

类型转换

arr=np.array([1,2,3],dtype=np.int64)# 方式一: astype()（推荐，明确创建副本）arr2=arr.astype(np.float64)arr2=arr.astype('float32')# 方式二: 直接指定arr=np.array([1,2,3],dtype='float64')# 方式三: 转换函数np.float64(arr)np.int32(arr)# 查看类型范围print(np.iinfo(np.int16))# min=-32768, max=32767print(np.finfo(np.float32))# bits=32, eps=1.192e-07

类型提升规则

# 不同类型运算时自动提升到更安全类型a=np.array([1,2,3],dtype=np.int32)b=np.array([0.5,1.5,2.5],dtype=np.float32)print((a+b).dtype)# float32c=np.array([1,2,3],dtype=np.float32)d=np.array([0.5,1.5,2.5],dtype=np.float64)print((c+d).dtype)# float64（向更高精度提升）

💡 快速上手示例

importnumpyasnp# 1. 创建一个图像模拟数据image=np.random.default_rng(42).integers(0,256,(1080,1920,3),dtype=np.uint8)print(f'图像形状:{image.shape}')# (1080, 1920, 3)print(f'数据类型:{image.dtype}')# uint8print(f'内存占用:{image.nbytes/1e6:.1f}MB')# 2. 统计信息print(f'最小像素:{image.min()}')print(f'最大像素:{image.max()}')print(f'均值:{image.mean():.1f}')print(f'每个通道均值:{image.mean(axis=(0,1))}')# 3. 灰度化gray=image.mean(axis=2).astype(np.uint8)# (1080, 1920)# 4. 翻转flipped=image[:,::-1,:]# 水平翻转（用切片，零拷贝！）# 5. 裁剪cropped=image[100:500,200:800,:]print(f'裁剪后:{cropped.shape}')# (400, 600, 3)

📝 速查表

[[numpy-总览|← 返回总览]]