NumPy ndarray：多维数组对象深度解析 – 告别循环，拥抱飞速！
各位程序猿、攻城狮、代码艺术家们，大家好！欢迎来到今天的“NumPy ndarray：多维数组对象深度解析”讲座！我是你们的老朋友，一位在代码丛林中摸爬滚打多年的“老司机”。今天，咱们不讲晦涩难懂的理论，不搞高深莫测的公式，就用最通俗易懂的语言，带大家深入了解 NumPy 的核心灵魂——ndarray，让你的数据处理速度像火箭一样嗖嗖嗖！🚀
一、 故事的开始：循环的苦恼
话说，在很久很久以前（其实也没多久），我们处理大量数据的时候，最常用的方法就是…循环！for 循环、while 循环，一层套一层，仿佛永无止境。数据量小的时候，还能勉强应付，但一旦数据量大了，程序跑起来就像蜗牛爬，慢到让你怀疑人生。🐌
想象一下，你要计算一个包含 100 万个数字的列表中每个数字的平方。用 Python 原生的循环，代码可能是这样的：
numbers = list(range(1000000))
squares = []
for number in numbers:
squares.append(number ** 2)这段代码虽然简单易懂，但效率实在是不敢恭维。运行起来，感觉时间都静止了… ⏱️
二、 NumPy ndarray：救星降临！
就在我们被循环折磨得死去活来的时候，NumPy 带着它的 ndarray 闪亮登场！它就像一位身披金色战甲的骑士，骑着一匹名叫“向量化”的骏马，拯救我们于水火之中。
ndarray，全称 N-dimensional array object，也就是 N 维数组对象。它是一种高效、灵活的数据结构，专门用于存储同类型的数据。最关键的是，NumPy 针对 ndarray 进行了大量的优化，使得我们可以用更简洁、更快速的方式处理数据。
三、 ndarray 的魅力：高效、便捷、强大！
ndarray 的魅力体现在以下几个方面：
- 高效的存储：
ndarray存储的是同类型的数据，这意味着它可以更紧凑地存储数据，减少内存占用。 - 向量化操作： 这是
ndarray最核心的优势！它可以对整个数组进行操作，而不需要显式地使用循环。这极大地提高了代码的执行效率。 - 广播机制： 当对不同形状的
ndarray进行运算时，NumPy 会自动进行广播，使得运算能够顺利进行。这让我们的代码更加简洁灵活。 - 丰富的函数库： NumPy 提供了大量的函数，用于对
ndarray进行各种各样的操作，包括数学运算、统计分析、线性代数等等。
四、 ndarray 的构造：像搭积木一样简单！
创建 ndarray 的方法有很多，就像搭积木一样，你可以根据自己的需要选择不同的方式。
-
从 Python 列表或元组创建： 这是最常用的方法。
import numpy as np # 从列表创建一维数组 arr1 = np.array([1, 2, 3, 4, 5]) print(arr1) # 输出: [1 2 3 4 5] # 从元组创建二维数组 arr2 = np.array(((1, 2, 3), (4, 5, 6))) print(arr2) # 输出: # [[1 2 3] # [4 5 6]] -
使用 NumPy 内置函数创建： NumPy 提供了很多内置函数，用于创建特定类型的
ndarray。np.zeros()：创建全零数组。np.ones()：创建全一数组。np.empty()：创建未初始化的数组。np.arange()：创建等差数组。np.linspace()：创建等间距数组。np.random.rand()：创建随机数组。
举几个例子：
# 创建一个 3x4 的全零数组 zeros_arr = np.zeros((3, 4)) print(zeros_arr) # 输出: # [[0. 0. 0. 0.] # [0. 0. 0. 0.] # [0. 0. 0. 0.]] # 创建一个 1 到 10 的等差数组 arange_arr = np.arange(1, 11) print(arange_arr) # 输出: [ 1 2 3 4 5 6 7 8 9 10] # 创建一个 0 到 1 之间，包含 5 个元素的等间距数组 linspace_arr = np.linspace(0, 1, 5) print(linspace_arr) # 输出: [0. 0.25 0.5 0.75 1. ] -
从文件中读取数据： 可以使用
np.loadtxt()或np.genfromtxt()从文本文件中读取数据，并将其转换为ndarray。
五、 ndarray 的属性：了解你的数据！
ndarray 有很多重要的属性，可以帮助我们了解数据的结构和类型。
ndim：数组的维度。shape：数组的形状，即每个维度的大小。size：数组元素的总个数。dtype：数组元素的数据类型。itemsize：每个元素占用的字节数。
arr = np.array([[1, 2, 3], [4, 5, 6]])
print("维度:", arr.ndim) # 输出: 2
print("形状:", arr.shape) # 输出: (2, 3)
print("大小:", arr.size) # 输出: 6
print("数据类型:", arr.dtype) # 输出: int64 (取决于你的系统)
print("元素字节数:", arr.itemsize) # 输出: 8 (int64 占用 8 字节)六、 ndarray 的索引和切片：精准定位，随心所欲！
ndarray 的索引和切片操作非常灵活，可以让我们精准地定位到数组中的特定元素或子数组。
-
基本索引： 和 Python 列表类似，可以使用方括号
[]来访问数组中的元素。arr = np.array([1, 2, 3, 4, 5]) print(arr[0]) # 输出: 1 print(arr[2]) # 输出: 3 arr2 = np.array([[1, 2, 3], [4, 5, 6]]) print(arr2[0, 1]) # 输出: 2 (第一行，第二列) print(arr2[1, 2]) # 输出: 6 (第二行，第三列) -
切片： 可以使用切片来访问数组中的子数组。
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) # 获取前 5 个元素 print(arr[:5]) # 输出: [1 2 3 4 5] # 获取从第 3 个元素到结尾的元素 print(arr[2:]) # 输出: [ 3 4 5 6 7 8 9 10] # 获取从第 2 个元素到第 8 个元素，步长为 2 print(arr[1:8:2]) # 输出: [2 4 6 8] arr2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 获取第一行 print(arr2[0, :]) # 输出: [1 2 3] # 获取第二列 print(arr2[:, 1]) # 输出: [2 5 8] # 获取左上角的 2x2 子数组 print(arr2[:2, :2]) # 输出: # [[1 2] # [4 5]] -
布尔索引： 可以使用布尔数组来选择数组中的特定元素。这是一种非常强大的索引方式。
arr = np.array([1, 2, 3, 4, 5, 6]) bool_arr = arr > 3 # 创建一个布尔数组，表示哪些元素大于 3 print(bool_arr) # 输出: [False False False True True True] print(arr[bool_arr]) # 输出: [4 5 6] (只选择大于 3 的元素) # 更简洁的写法 print(arr[arr > 3]) # 输出: [4 5 6] -
花式索引： 可以使用整数数组来选择数组中的特定元素。
arr = np.array([1, 2, 3, 4, 5, 6]) indices = [0, 2, 4] # 要选择的元素的索引 print(arr[indices]) # 输出: [1 3 5] arr2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) row_indices = [0, 1] col_indices = [1, 2] print(arr2[row_indices, col_indices]) # 输出: [2 6]
七、 ndarray 的运算：告别循环，拥抱向量化！
ndarray 最强大的地方在于它的向量化运算。我们可以直接对整个数组进行运算，而不需要显式地使用循环。这极大地提高了代码的执行效率。
-
基本运算：
ndarray支持加、减、乘、除、幂等基本运算。arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) print(arr1 + arr2) # 输出: [5 7 9] print(arr1 * arr2) # 输出: [ 4 10 18] print(arr1 ** 2) # 输出: [1 4 9] -
广播机制： 当对不同形状的
ndarray进行运算时，NumPy 会自动进行广播，使得运算能够顺利进行。arr1 = np.array([1, 2, 3]) scalar = 2 print(arr1 + scalar) # 输出: [3 4 5] (scalar 被广播到 arr1 的每个元素) arr2 = np.array([[1, 2, 3], [4, 5, 6]]) arr3 = np.array([10, 20, 30]) print(arr2 + arr3) # 输出: # [[11 22 33] # [14 25 36]] (arr3 被广播到 arr2 的每一行) -
常用函数： NumPy 提供了大量的函数，用于对
ndarray进行各种各样的操作。np.sum()：求和。np.mean()：求平均值。np.std()：求标准差。np.max()：求最大值。np.min()：求最小值。np.sort()：排序。np.reshape()：改变数组的形状。np.transpose()：转置数组。
arr = np.array([[1, 2, 3], [4, 5, 6]]) print("求和:", np.sum(arr)) # 输出: 21 print("平均值:", np.mean(arr)) # 输出: 3.5 print("最大值:", np.max(arr)) # 输出: 6 print("改变形状:", arr.reshape((3, 2))) # 输出: # [[1 2] # [3 4] # [5 6]] print("转置:n", arr.transpose()) # 输出: # [[1 4] # [2 5] # [3 6]]
八、 ndarray 的应用：无处不在！
ndarray 在数据科学、机器学习、图像处理等领域都有着广泛的应用。
- 数据分析：
ndarray可以用来存储和处理各种各样的数据，比如股票价格、用户行为数据等等。 - 机器学习：
ndarray是机器学习算法的基础，比如神经网络的输入和输出都是ndarray。 - 图像处理： 图像可以看作是一个多维数组，
ndarray可以用来存储和处理图像数据。
九、 提升效率的秘诀：避免不必要的拷贝！
在使用 ndarray 的过程中，需要注意避免不必要的拷贝。有些操作会创建新的 ndarray，而有些操作则会修改原来的 ndarray。了解这些操作的区别，可以帮助我们提升代码的效率。
- 视图（View）： 有些操作会创建
ndarray的视图，而不是拷贝数据。视图是指向原始数据的指针，修改视图会影响原始数据。切片操作通常会创建视图。 - 拷贝（Copy）： 有些操作会创建
ndarray的拷贝，拷贝是指创建原始数据的一个副本，修改拷贝不会影响原始数据。copy()方法可以显式地创建拷贝。
arr = np.array([1, 2, 3, 4, 5])
# 切片操作创建视图
arr_view = arr[1:4]
print("原始数组:", arr) # 输出: [1 2 3 4 5]
print("视图:", arr_view) # 输出: [2 3 4]
arr_view[0] = 100 # 修改视图
print("原始数组(修改后):", arr) # 输出: [ 1 100 3 4 5] (原始数组被修改)
print("视图(修改后):", arr_view) # 输出: [100 3 4]
# 显式创建拷贝
arr_copy = arr.copy()
print("拷贝:", arr_copy) # 输出: [ 1 100 3 4 5]
arr_copy[0] = 200 # 修改拷贝
print("原始数组(修改后):", arr) # 输出: [ 1 100 3 4 5] (原始数组没有被修改)
print("拷贝(修改后):", arr_copy) # 输出: [200 100 3 4 5]十、 总结：ndarray，你值得拥有！
今天，我们一起深入了解了 NumPy 的核心灵魂——ndarray。它高效、便捷、强大，是数据处理的利器。掌握 ndarray 的使用，可以让你告别循环的苦恼，拥抱向量化的飞速！
记住，ndarray 不仅仅是一个数据结构，更是一种编程思想。它鼓励我们用向量化的方式思考问题，从而写出更简洁、更高效的代码。
希望今天的讲座对大家有所帮助。在未来的数据处理之旅中，愿 ndarray 成为你最可靠的伙伴！💪
最后，送给大家一句代码界的至理名言：Life is short, use NumPy! 😉
感谢大家的聆听！下次再见！👋