numpy 用法大全
按功能分类的字典。每个函数列常用参数和一个能跑的例。 基础概念在入门那课。所有代码假定 import numpy as np。
一、创建数组
np.array
| 参数 | 作用 |
|---|---|
object | 列表、元组、嵌套列表 |
dtype | 指定类型 |
copy | 是否复制(默认 True) |
ndmin | 最少几维 |
np.array([1, 2, 3])
np.array([[1, 2], [3, 4]])
np.array([1, 2], dtype=float)
np.array([1, 2], ndmin=2) # shape (1, 2)
np.asarray(x) # 已经是数组就不复制
np.asanyarray(x) # 同上,但保留 ndarray 子类按规则生成
| 函数 | 参数 | 例 |
|---|---|---|
zeros(shape, dtype) | 形状、类型 | np.zeros((2,3)) |
ones(shape) | 同上 | np.ones(5) |
full(shape, fill_value) | 填充值 | np.full((2,2), 7) |
eye(N, M, k) | k 是偏移(1=上移) | np.eye(3, k=1) |
identity(n) | 单位矩阵 | np.identity(3) |
arange(start, stop, step, dtype) | 步长,不含终点 | np.arange(0,10,2) |
linspace(start, stop, num, endpoint) | endpoint=False 可排除终点 | np.linspace(0,1,5) |
logspace(start, stop, num, base) | base 默认 10 | np.logspace(0,3,4) |
geomspace(start, stop, num) | 等比(直接给起止值) | np.geomspace(1,1000,4) |
zeros_like(a) | 同形状同类型 | 也有 ones_like / full_like / empty_like |
empty(shape) | 不初始化(快但值是随机的) | np.empty((3,3)) |
np.arange(0, 10, 2) # [0 2 4 6 8],不含 10
np.linspace(0, 1, 5) # [0 .25 .5 .75 1],含终点
np.linspace(0, 1, 5, endpoint=False) # 不含终点
np.logspace(0, 3, 4) # [1 10 100 1000]
np.geomspace(1, 1000, 4) # [1 10 100 1000]用浮点步长时 arange 可能因为精度问题多给或少给一个元素。
np.arange(0, 1, 0.1) 有时长度是 10,有时是 11。
需要确定个数就用 linspace。
网格
x = np.arange(3); y = np.arange(2)
X, Y = np.meshgrid(x, y) # X 形状 (2,3)
# X = [[0,1,2],[0,1,2]] Y = [[0,0,0],[1,1,1]]
# 三维
X, Y, Z = np.meshgrid(x, y, z, indexing="ij")二、随机数
新写法统一用 rng = np.random.default_rng(seed),之后所有方法都挂在 rng 上。
| 方法 | 参数 | 例 |
|---|---|---|
random(size) | [0,1) 均匀 | rng.random(5) |
uniform(low, high, size) | 区间均匀 | rng.uniform(1, 10, 5) |
normal(loc, scale, size) | 均值、标准差 | rng.normal(0, 1, 5) |
integers(low, high, size) | 整数,不含 high | rng.integers(0, 10, 5) |
choice(a, size, replace, p) | p 是概率权重 | rng.choice([1,2,3], 5, p=[.5,.3,.2]) |
permutation(x) | 打乱后返回新数组 | rng.permutation(10) |
shuffle(x) | 原地打乱 | rng.shuffle(arr) |
binomial(n, p, size) | 二项分布 | rng.binomial(10, .5, 100) |
poisson(lam, size) | 泊松 | rng.poisson(3, 100) |
multivariate_normal(mean, cov, size) | 多元正态 | rng.multivariate_normal([0,0], [[1,.5],[.5,1]], 100) |
rng = np.random.default_rng(42) # 固定种子,可复现
rng.random(5)
rng.normal(0, 1, (3, 4)) # 直接给多维形状
rng.integers(0, 10, 5)
rng.choice([1,2,3], 5, replace=False) # 不重复抽
# 打乱数据(训练集洗牌常用)
idx = rng.permutation(len(X))
X, y = X[idx], y[idx]旧的 np.random.* 是全局状态,多个函数互相干扰时会出问题。
新代码统一 default_rng。
三、属性与类型
| 属性 | 含义 | 例(3×4 数组) |
|---|---|---|
shape | 各维长度 | (3, 4) |
ndim | 维数 | 2 |
size | 元素总数 | 12 |
dtype | 元素类型 | int64 |
itemsize | 每元素字节数 | 8 |
nbytes | 总字节 | 96 |
T | 转置 | 变成 4×3 |
base | 指向的原数组(是视图时) | None 表示独立 |
flags | 内存布局标志 | C_CONTIGUOUS |
dtype 一览
| 类型 | 说明 | 字节 |
|---|---|---|
int8/16/32/64 | 有符号整数 | 1/2/4/8 |
uint8..64 | 无符号整数 | 1/2/4/8 |
float16/32/64 | 浮点(32 常用在深度学习) | 2/4/8 |
complex64/128 | 复数 | 8/16 |
bool | 布尔 | 1 |
object | 任意 Python 对象(慢) | 8 |
str_ / <U10 | 定长字符串 | —— |
astype 参数
a.astype(float) # 基本转换(复制一份)
a.astype(np.int32) # 指定具体类型
a.astype("category") # pandas 才有
a.astype(int, copy=False) # 类型相同就不复制np.array([3.7]).astype(int) 得到 3,不是 4。
要四舍五入先 np.round()。
四、索引与选取
基本索引
a[0] # 第 0 行(降一维)
a[0, 1] # 第 0 行第 1 列
a[:, 0] # 所有行第 0 列
a[1:3] # 第 1、2 行
a[::2] # 隔一个取一个
a[::-1] # 反转
a[..., 0] # 省略号代表"前面所有维"
a[None] # 加一个新维布尔索引
a[a > 5] # → 一维数组
a[(a > 2) & (a < 8)] # 与:&,一定要加括号
a[~(a > 5)] # 非:~
(a > 5).sum() # 数有几个
np.count_nonzero(a > 5) # 同上花式索引
a[[0, 2]] # 取第 0、2 行
a[[0, 1], [1, 2]] # 取 (0,1) 和 (1,2) 两个位置
a[np.ix_([0,2], [1,3])] # 取子矩阵(行 0,2 × 列 1,3)按条件取值
| 函数 | 参数 | 作用 |
|---|---|---|
where(cond, x, y) | 三参数 = 三元运算 | 满足取 x,否则 y |
where(cond) | 单参数 | 返回满足的下标 |
clip(a, min, max) | 上下界 | 截断 |
take(a, indices) | 索引数组 | 按索引取 |
put(a, indices, v) | 索引、值 | 按索引写(原地) |
select(condlist, choicelist, default) | 条件列表 | 多条件选择 |
np.where(a > 5, 1, 0) # 三元
np.where(a > 5) # (array([...]),) 下标
np.clip(a, 0, 10) # 截断到 [0,10]
np.take(a, [0, 2])
np.select([a < 3, a > 7], [0, 9], default=5)五、形状操作
| 函数 | 参数 | 是否复制 |
|---|---|---|
reshape(shape, order) | -1 表示自动推 | 否,视图 |
ravel(order) | 拉平 | 否(可能) |
flatten(order) | 拉平 | 是 |
transpose(axes) / .T | 轴顺序 | 否 |
swapaxes(i, j) | 交换两维 | 否 |
moveaxis(a, src, dst) | 移动某一维 | 否 |
expand_dims(a, axis) | 插入长度 1 的维 | 否 |
squeeze(a, axis) | 去掉长度 1 的维 | 否 |
broadcast_to(a, shape) | 广播成目标形状 | 否,只读 |
a = np.arange(12)
a.reshape(3, 4)
a.reshape(2, -1) # -1 自动算成 6
a.reshape(3, 4, order="F") # 列优先
a[:, None] # 一维 → 列向量,等价 expand_dims(a, 1)
a[np.newaxis, :] # 一维 → 行向量
b = a.reshape(3,4)
b.T.shape # (4,3)
np.moveaxis(b, 0, 1).shape # 同转置只能有一个 -1,其他维必须能整除。
12 个元素可以 reshape 成 (3,4)、(2,6)、(2,2,3),不能 (5,-1)。
六、合并与拆分
concatenate
| 参数 | 作用 |
|---|---|
arrays | 序列(元组或列表) |
axis | 沿哪一维拼(默认 0) |
out | 输出到已有数组 |
np.concatenate([a, b]) # 沿 axis=0
np.concatenate([a, b], axis=1) # 沿 axis=1
np.vstack([a, b]) # 垂直堆(按行)
np.hstack([a, b]) # 水平堆(按列)
np.dstack([a, b]) # 沿第三维stack vs concatenate
| 函数 | 输入形状 | 输出形状 |
|---|---|---|
concatenate | 两个 (3,) | (6,) 维数不变 |
stack | 两个 (3,) | (2, 3) 维数 +1 |
np.stack([a, b], axis=0) # (2, 3)
np.stack([a, b], axis=1) # (3, 2)拆分
np.split(a, 3) # 等分成 3 份
np.split(a, [2, 5]) # 在索引 2、5 处切
np.array_split(a, 3) # 不能整除也能切
np.hsplit(a, 2) / np.vsplit(a, 2)重复与补边
| 函数 | 作用 | 例 |
|---|---|---|
tile(a, reps) | 整块重复 | np.tile([1,2], 3) → [1,2,1,2,1,2] |
repeat(a, n, axis) | 每个元素重复 | np.repeat([1,2], 3) → [1,1,1,2,2,2] |
pad(a, width, mode) | 补边 | np.pad(a, 1, "constant", constant_values=0) |
np.tile([1, 2], 3) # [1 2 1 2 1 2]
np.repeat([1, 2], 3) # [1 1 1 2 2 2]
np.pad([1,2,3], 1) # [0 1 2 3 0]
np.pad(a, 1, mode="edge") # 用边缘值补
np.pad(a, 1, mode="reflect") # 镜像七、数学运算
逐元素运算
a + b, a - b, a * b, a / b # 都是逐元素
a ** 2, a % 3, a // 2 # 幂、取余、整除
-a, np.abs(a) # 取负、绝对值
a + 10 # 标量广播
a + np.array([1,2,3,4]) # 一维广播通用函数 ufunc
| 类别 | 函数 |
|---|---|
| 幂与根 | sqrt cbrt power exp expm1 |
| 对数 | log(自然)log2 log10 log1p |
| 三角 | sin cos tan arcsin arctan2 |
| 双曲 | sinh cosh tanh |
| 取整 | round floor ceil trunc rint |
| 符号 | sign absolute |
| 极值 | maximum minimum fmax fmin |
| 其他 | mod remainder hypot degrees radians |
np.sqrt(a)
np.exp(a)
np.log(a) # 有 0 会得到 -inf,有负数得到 nan
np.log1p(a) # log(1+a),a 很小时更精确
np.round(a, 2) # 保留 2 位
np.maximum(a, 0) # 等价 ReLUlog(1+x) 在 x 很接近 0 时,1+x 会丢掉精度。
log1p(x) 内部直接算,精度高得多。同理 expm1(x) = exp(x) - 1。
矩阵乘法
| 写法 | 行为 |
|---|---|
A * B | 逐元素相乘 |
A @ B | 矩阵乘法(推荐) |
np.matmul(A, B) | 同上 |
np.dot(A, B) | 二维时同 matmul,一维是内积,高维行为不同 |
np.inner(A, B) | 沿最后一维内积 |
np.outer(a, b) | 外积 |
np.einsum(...) | 爱因斯坦求和,万能 |
A @ B # 矩阵乘
A * B # 逐元素(形状要相容)
np.dot([1,2], [3,4]) # 1*3 + 2*4 = 11(内积)
np.outer([1,2], [3,4]) # [[3,4],[6,8]]
# 批量矩阵乘
np.einsum("ij,jk->ik", A, B)想算矩阵乘却写了 *,如果两个矩阵形状恰好一样,不会报错,结果全错。
看到奇怪的数值,先检查这里。
八、统计聚合
所有聚合函数都支持三个参数:
| 参数 | 含义 |
|---|---|
axis | 沿哪一维压(None = 全部) |
keepdims | 保留被压的那一维为长度 1 |
where | 只统计满足条件的 |
| 函数 | 作用 | 例 |
|---|---|---|
sum | 求和 | a.sum(axis=0) |
mean / average | 平均 / 加权平均 | np.average(a, weights=w) |
median | 中位数 | np.median(a) |
std / var | 标准差 / 方差 | a.std(ddof=1) 样本标准差 |
min / max | 最值 | a.min() |
argmin / argmax | 最值下标 | a.argmax() |
prod | 连乘 | a.prod() |
cumsum / cumprod | 累加 / 累乘 | a.cumsum() |
percentile | 分位数 | np.percentile(a, 75) |
quantile | 分位数(0~1) | np.quantile(a, .75) |
all / any | 全真 / 存在真 | (a > 0).all() |
count_nonzero | 非零个数 | np.count_nonzero(a) |
a = np.arange(12).reshape(3, 4)
a.sum() # 66
a.sum(axis=0) # [12 15 18 21] 每列
a.sum(axis=1) # [ 6 22 38] 每行
a.sum(axis=1, keepdims=True) # 形状 (3,1),便于广播
np.average(a, axis=0, weights=[1,2,3]) # 加权平均
(a > 5).sum() # 数个数axis=k 表示“把第 k 维压掉”。
(3,4) 沿 axis=0 → (4,);沿 axis=1 → (3,)。
别记“行还是列”,三维就乱了。
九、比较与逻辑
| 函数 | 作用 | 例 |
|---|---|---|
> < >= <= == != | 逐元素比较 | a > 5 |
& | ~ | 与、或、非 | (a>2) & (a<8) |
array_equal | 完全相等 | np.array_equal(a,b) |
allclose | 浮点近似相等 | np.allclose(a, b, rtol=1e-5) |
isclose | 逐元素近似 | np.isclose(a, b) |
logical_and/or/not | 逻辑运算 | np.logical_and(a>1, a<5) |
isfinite/isnan/isinf | 数值检查 | np.isnan(a) |
a > 5 # 布尔数组
(a > 2) & (a < 8) # 一定要括号
~np.isnan(a) # 非 NaN
np.allclose(0.1+0.2, 0.3) # True(近似)
0.1 + 0.2 == 0.3 # False(精确)十、排序与查找
| 函数 | 参数 | 作用 |
|---|---|---|
sort(a, axis, kind) | kind 选算法 | 返回排好序的新数组 |
a.sort() | 无 | 原地排序 |
argsort(a, axis) | — | 返回排序后的下标 |
partition(a, kth) | kth 位置 | 第 k 小的放到位,前面更小后面更大 |
argpartition(a, kth) | — | 上面那个的下标版本 |
searchsorted(a, v) | side="left"/"right" | v 该插在哪(要求 a 已排序) |
unique(a, return_counts, return_index) | 各种 return | 去重并排序 |
nonzero(a) | — | 非零元素下标 |
argmax / argmin | axis | 最值下标 |
b = np.array([3, 1, 2])
np.sort(b) # [1 2 3],b 不变
b.sort() # b 变成 [1 2 3]
b.argsort() # [1 2 0]
# 间接排序(按某列排整个表)
order = data[:, 1].argsort()
data[order]
np.unique([3,1,2,1], return_counts=True)
# (array([1,2,3]), array([2,1,1]))
np.searchsorted([1,3,5], 4) # 2(该插在索引 2)十一、线性代数
| 函数 | 作用 | 例 |
|---|---|---|
A @ B | 矩阵乘 | A @ B |
linalg.inv(A) | 求逆 | np.linalg.inv(A) |
linalg.pinv(A) | 伪逆 | 不可逆时用 |
linalg.det(A) | 行列式 | np.linalg.det(A) |
linalg.solve(A, b) | 解 Ax=b | 比 inv 快且稳 |
linalg.lstsq(A, b) | 最小二乘 | 超定方程 |
linalg.eig(A) | 特征值/向量 | 一般矩阵 |
linalg.eigh(A) | 对称矩阵特征分解 | 更快更稳 |
linalg.svd(A) | 奇异值分解 | U, S, Vt = np.linalg.svd(A) |
linalg.qr(A) | QR 分解 | — |
linalg.cholesky(A) | Cholesky 分解 | 正定矩阵 |
linalg.norm(a, ord) | 范数 | ord=1/2/np.inf |
trace(A) | 迹 | 对角线和 |
linalg.matrix_rank(A) | 秩 | — |
x = np.linalg.solve(A, b) # 解方程,不要用 inv
np.linalg.norm(a) # L2 范数
np.linalg.norm(a, ord=1) # L1
U, S, Vt = np.linalg.svd(A) # 降维/PCA 的基础
np.trace(A)inv(A) @ b 数学上对,但数值不稳、还慢一倍。
用 solve(A, b)。
十二、文件读写
二进制(快,保留类型)
| 函数 | 作用 | 例 |
|---|---|---|
save(file, a) | 存单个 → .npy | np.save("a.npy", a) |
load(file) | 读 .npy/.npz | np.load("a.npy") |
savez(file, **kw) | 存多个(不压缩) | np.savez("ab.npz", a=a, b=b) |
savez_compressed | 存多个(压缩) | 同上 |
tofile / fromfile | 裸二进制,无表头 | 要自己记形状和类型 |
np.save("a.npy", a)
np.load("a.npy")
np.savez("ab.npz", a=a, b=b)
d = np.load("ab.npz")
d["a"], d["b"]文本(通用,慢)
| 函数 | 关键参数 |
|---|---|
savetxt | delimiter、fmt、header、comments |
loadtxt | delimiter、skiprows、usecols、dtype |
genfromtxt | 同上 + missing_values、filling_values(能处理缺失) |
np.savetxt("a.csv", a, delimiter=",", fmt="%.2f")
np.loadtxt("a.csv", delimiter=",")
np.genfromtxt("a.csv", delimiter=",", skip_header=1,
missing_values="NA", filling_values=0)十三、广播规则
两条数组形状不同时,numpy 按这套规则决定能不能算:
- 如果维数不同,在较小的形状前面补 1
- 从最后一维开始往前比,每一维必须满足:相等、或其中一个是 1
- 不满足就报错;满足的话,长度为 1 的那一维被“复制”到另一边的长度
(3, 4) + (4,) # → (3,4),一维被当成 (1,4)
(3, 1) + (1, 4) # → (3,4)
(5, 3, 1) + (3, 4) # → (5,3,4)
(3,) + (4,) # 报错:3 和 4 不相等,也没 1X = np.random.default_rng(0).random((5, 3))
X - X.mean(axis=0) # (5,3) - (3,) → 广播,每列减自己的均值
X - X.mean(axis=1)[:, None] # (5,3) - (5,1) → 每行减自己的均值忘写 [:, None] 会变成 (5,3) - (5,),报错。
十四、性能与内存
视图 vs 拷贝
| 操作 | 返回 |
|---|---|
切片 a[1:3] | 视图,改了影响原数组 |
reshape / .T / ravel | 视图 |
布尔索引 a[a>0] | 拷贝 |
花式索引 a[[0,2]] | 拷贝 |
astype() / flatten() | 拷贝 |
# 判断是否共享内存
np.shares_memory(a, b) # True/False
a.base is None # True 表示独立数据加速手段
| 做法 | 效果 |
|---|---|
| 向量化代替 for 循环 | 快 10~100 倍 |
原地运算 a += 1 | 不新建数组,省内存 |
先分配 np.empty 再填 | 避免反复扩容 |
用 float32 代替 float64 | 内存减半 |
np.dot / BLAS | 底层是多线程优化的 |
避免 np.append 在循环里 | 它每次都重新分配 |
十五、常见坑
| 坑 | 正确做法 |
|---|---|
and/or/not 作用在数组 | 用 & | ~,并加括号 |
== 比较浮点 | np.allclose |
| 改切片以为不影响原数组 | 要独立数据用 .copy() |
* 当矩阵乘 | 用 @ |
| 整数相除以为得整数 | / 得 float,整除用 // |
axis 记成行/列 | 记“哪一维被压掉” |
循环里 np.append | 先收集到 list,最后 np.array |
np.arange 浮点步长少一个 | 用 linspace |
| 整数数组转 float 精度丢失 | 先 astype(float) 再算 |
| 数组很大时内存爆 | 用 np.memmap 或分块 |
numpy 数组大小固定,np.append 每次都会新建数组并复制全部旧数据。
循环里用一万次就是 O(n²)。
正确做法:先放进 Python list,最后一次性 np.array(list)。
十六、一页速查
创建 array zeros ones full eye arange(step) linspace(num) logspace geomspace
zeros_like empty meshgrid
随机 default_rng random uniform normal integers choice permutation shuffle
属性 shape ndim size dtype itemsize nbytes T base
类型 int8-64 uint8-64 float16/32/64 bool complex; astype(copy)
索引 a[i] a[:,j] a[a>5] a[[0,2]] where clip take put select ix_
形状 reshape(-1) ravel flatten transpose swapaxes expand_dims squeeze broadcast_to
合并 concatenate(axis) stack(axis,+1维) vstack hstack dstack split array_split
tile repeat pad
运算 + - * / ** @ sqrt exp log log1p round floor ceil maximum
线代 linalg.solve inv det eig eigh svd qr norm(p) trace matrix_rank
统计 sum mean average median std(ddof) var min max argmin argmax prod
cumsum cumprod percentile quantile all any count_nonzero
→ 通用参数 axis keepdims where
比较 & | ~ allclose isclose isnan isfinite logical_and
排序 sort argsort partition argpartition searchsorted unique nonzero nlargest
读写 save load savez savez_compressed savetxt loadtxt genfromtxt memmap
广播 末尾对齐,每维相等或为 1