10 NumPy 与科学计算

一句话：ndarray 用「连续内存 + 固定 dtype + C 层循环」换速度，代价是所有元素必须同类型、形状必须对齐；理解 shape、dtype、视图与广播，比记 API 更重要。

适用：NumPy 2.x（1.26 也可），CPython 3.11+。默认整数类型与平台有关，跨平台代码要显式写 dtype。

为什么需要

同样对一百万个整数求和，Python list 要逐个解引用对象、走解释器循环；ndarray 把值紧凑排列，用一个 C 循环算完。数据量一大，差距从「慢一点」变成「跑不完」。但 NumPy 的规则也更严格：所有元素同一 dtype，运算前形状要能广播，切片默认共享内存而不是复制。不知道这三条，常见结果是平台之间 dtype 不一致导致溢出、广播报错、改了「副本」却把原数组改坏。

核心机制

shape 与 dtype

import numpy as np

a = np.array([1, 2, 3])                  # 一维
b = np.array([[1, 2], [3, 4]])           # 二维
c = np.zeros((2, 3), dtype=np.float32)
e = np.linspace(0, 1, 5)                 # 0 到 1 均匀 5 个点

print(a.shape, b.shape)                  # (3,) (2, 2)
print(a.dtype)                           # 2.x 下常见 int64；1.x 的 Windows 是 int32
print(np.array([1, 2, 3], dtype=np.int64).dtype)   # int64，跨平台确定

默认整数 dtype 与 NumPy 版本、平台都有关：1.x 的 Windows 默认 int32，2.x 起 Windows 也改为 int64。需要跨平台一致或防止溢出时，显式写 dtype=np.int64；内存敏感的大数组用 float32，但要注意精度。

shape 是每一维的长度；AI 里常见 (32, 3, 224, 224)（图像 CHW）、(16, 512)（文本）、(128, 768)（向量）。

向量化：把循环交给 C

data = np.array([1.0, 2.0, 3.0])
print(data + 1)                 # [2. 3. 4.]
print(data ** 2)                # [1. 4. 9.]
print(np.sqrt(data))            # [1. 1.414 1.732]
print(np.clip(data, 1.5, 2.5), np.maximum(data, 0))  # [1.5 2. 2.5] [1. 2. 3.]

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.sum())                # 21
print(arr.sum(axis=0))          # [5 7 9]：沿第 0 维合并，得到每列
print(arr.sum(axis=1))          # [6 15]：沿第 1 维合并，得到每行
print(arr.argmax(axis=1))       # [2 2]：每行最大值的列下标

axis=k 表示「在第 k 维上做归约」，该维会消失，除非 keepdims=True。argmax(axis=1) 是分类输出取预测类别的常用操作。

索引、切片与视图

arr = np.arange(12).reshape(3, 4)
print(arr[1, 2])        # 6
print(arr[:, 1])        # [1 5 9]
print(arr[arr > 5])     # [ 6  7  8  9 10 11]
print(arr[[0, 2]])      # 第 0、2 行

view = arr[:2, :2]
view[0, 0] = 99
print(arr[0, 0])        # 99：切片是视图，共享内存

基础切片返回视图，花式索引和布尔索引返回副本。判断是否共享内存看 view.base，需要独立时显式 .copy()；reshape 在内存允许时也返回视图，不要假设它一定复制。

广播：形状从右往左对齐

规则：从最后一维开始比较，两维相等或其中一维为 1 才能广播，否则报错。

mat = np.array([[1, 2, 3], [4, 5, 6]])   # (2, 3)
row = np.array([10, 20, 30])             # (3,)
col = np.array([[100], [200]])           # (2, 1)
print(mat + row)      # row 广播到每一行
print(mat + col)      # col 广播到每一列

data = np.array([[1., 2., 3.], [4., 5., 6.]])
row_sums = data.sum(axis=1, keepdims=True)   # (2, 1)
print(data / row_sums)                        # 每行除以自己的和

(3,) 和 (3, 1) 看起来元素数相同，广播行为完全不同：前者沿行扩展，后者沿列扩展。广播失败时先打印两边 shape，再决定 reshape 还是 expand_dims。

转置、拼接与文件

m = np.arange(6).reshape(2, 3)   # (2, 3)
print(m.T.shape)                 # (3, 2)

v = np.array([1, 2, 3])
print(v.T.shape)                 # (3,)：一维数组转置没有效果
print(v.reshape(-1, 1).shape)    # (3, 1)：需要列向量时显式 reshape

x = np.array([[1, 2]])
y = np.array([[3, 4]])
print(np.concatenate([x, y], axis=0).shape)   # (2, 2)
print(np.concatenate([x, y], axis=1).shape)   # (1, 4)
print(np.stack([x, y]).shape)                 # (2, 1, 2)

.T 只对二维及以上有转置意义；一维数组的 .T 返回自身，形状不变。需要「一列」时用 reshape(-1, 1) 或 [:, None]。持久化用 np.save / np.load，跨语言交换优先 Parquet 等格式。

最小上手

保存为 numpy_demo.py 后运行，预期输出 int64 (3,) (3, 2)、广播结果和 True：

import numpy as np

a = np.array([1, 2, 3], dtype=np.int64)
print(a.dtype, a.shape)

m = np.arange(6).reshape(2, 3)
print(m.T.shape)                       # (3, 2)
print(m + np.array([10, 20, 30]))      # 每行加 [10 20 30]

view = m[0]
view[0] = 99
print(m[0, 0] == 99)                   # True：视图共享内存

copy = m[0].copy()
copy[0] = 0
print(m[0, 0] == 99)                   # True：副本不影响原数组

v = np.array([1, 2, 3])
print(v.T.shape, v.reshape(-1, 1).shape)   # (3,) (3, 1)

生产动作

• dtype 显式化：跨平台或持久化时写 np.int64/np.float32；注意窄整数溢出，累加前先转更宽类型。
• 随机数与内存：新代码用 rng = np.random.default_rng(42)，不要依赖全局 np.random.seed；float64 每元素 8 字节、float32 4 字节，大数组优先 float32，但不要反复转换。
• 视图检查：修改切片前确认是否需要 .copy()；用 x.base is not None 或 x.flags.owndata 判断。
• 排障三段：
  • 现象：广播报错 operands could not be broadcast together → 命令：print(a.shape, b.shape) → 判断：从右往左是否每维相等或为 1。
  • 现象：结果数值溢出/精度异常 → 命令：print(a.dtype, a.max(), a.min()) → 判断：是否用了过窄 dtype 或混用 float32/float64。
  • 现象：改切片影响了原数组 → 命令：print(view.base is arr) → 判断：是否把视图当成了副本。

边界

• NumPy 要求规则矩形数组；变长序列用 list、pandas 或 object 数组，不要硬塞。
• NumPy 主要跑 CPU；GPU 计算用 PyTorch/CuPy，接口相似但语义有差异。小数组上 NumPy 的调度开销可能高于 Python list，优化前先测量。
• .T 不是「转成列向量」的通用手段；一维数组用 reshape(-1, 1)。np.matrix 已不推荐，统一用 ndarray + @。

讲清楚

NumPy 快在连续内存、固定 dtype 和 C 层循环：Python 只描述「做什么」，循环由编译好的代码执行。核心概念是 shape 和 dtype：shape 决定广播能否成立，dtype 决定精度、内存和溢出风险；默认整数类型跨平台不一致，持久化和跨平台代码要显式指定。切片默认是视图，改视图会改原数组，需要独立副本时 .copy()。广播从右往左对齐，相等或为 1 才能扩展；一维数组的 .T 没有效果，转列向量用 reshape(-1, 1)。

适用 NumPy 2.x / CPython 3.11+ | 初稿 2026-08，2026-10 压缩并订正 dtype 与一维转置