NumPy（Numerical Python）是 Python 数据科学生态的基石。几乎所有高阶库（Pandas、Matplotlib、scikit-learn、PyTorch）内部都依赖 NumPy 的数组结构。没有 NumPy，用原生 Python 做数值计算会又慢又麻烦。
为什么需要 NumPy
Python 的列表很灵活，但存大量数值时有两个致命缺陷：
- 速度慢：列表里每个元素都是完整 Python 对象，内存开销大，运算靠 Python 循环。
- 缺少向量化操作：要算两个列表对应元素相加，必须写
[a[i]+b[i] for i in range(n)]，复杂运算更是繁琐。
NumPy 提供了 ndarray（N 维数组），本质是一块连续内存上的同类型数据块。由底层 C 语言实现，运算在编译层完成，速度比纯 Python 循环快 10 到 100 倍。
核心：ndarray 多维数组
创建数组极简单：
import numpy as np
a = np.array([1, 2, 3]) # 一维数组
b = np.array([[1, 2], [3, 4]]) # 二维数组（矩阵）常用快捷创建方式：
np.zeros((3, 4)) # 全 0 数组
np.ones((2, 3)) # 全 1 数组
np.arange(10) # 类似 range，生成 [0..9]
np.linspace(0, 1, 5) # 等间距 5 个数数组有形状（shape）和数据类型（dtype），可以任意切片、变形：
arr = np.arange(12).reshape(3, 4) # 变为 3 行 4 列
print(arr[1, 2]) # 取第 2 行第 3 列元素
print(arr[:, 1:3]) # 取所有行，第 2 到 3 列矩阵运算与通用函数
NumPy 让数学运算像操作数字一样自然：
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
a + b # [5, 7, 9] 逐元素加法
a * b # [4, 10, 18] 逐元素乘法（不是矩阵乘法！）
a @ b # 32，点积运算
np.dot(a, b) # 同上，矩阵乘法用 @ 或 dot矩阵乘法：
A = np.array([[1, 2], [3, 4]])
B = np.array([[2, 0], [1, 3]])
A @ B # [[4, 6], [10, 12]]此外有丰富的通用函数（ufunc），直接对整个数组做数学操作：
np.sqrt(a) # 开方
np.sin(a) # 正弦
np.sum(a) # 求和
np.mean(a) # 平均值
np.std(a) # 标准差这些函数比写循环简洁很多，且底层用 C 优化。
广播机制
广播是 NumPy 最强大的特性之一：形状不同的数组进行运算时，NumPy 会自动扩展数组的维度，让它们形状匹配，而无需复制数据。
广播规则很简单：从尾部维度开始比较，如果两个维度相等，或其中一个是 1，就认为兼容；缺失的维度自动补 1 并扩展。
典型场景：
# 一个标量和数组相加
a = np.array([1, 2, 3])
a + 10 # [11, 12, 13] 标量被广播成与 a 同形状
# 矩阵加行向量
A = np.array([[1, 2, 3], [4, 5, 6]])
b = np.array([10, 20, 30])
A + b # [[11, 22, 33], [14, 25, 36]] 行向量广播到每一行
# 列向量加行向量
c = np.array([[1], [2]]) # 形状 (2,1)
d = np.array([10, 20, 30]) # 形状 (3,)
c + d # 形状 (2,3)
# 结果：[[11, 21, 31],
# [12, 22, 32]]广播避免了显式写循环，让代码高效且易读。它的核心口诀：“形状从右对齐，要么相等，要么为 1”。
实际应用基础
- 数据存储：机器学习中特征矩阵通常就是二维 NumPy 数组。
- 图像处理：图像读取为
(height, width, channels)的三维数组，可以直接切片、过滤、变换。 - 数学建模：解线性方程组
np.linalg.solve(A, b)，求特征值np.linalg.eig，信手拈来。
掌握 NumPy 的数组思维——用整体操作替代逐个元素循环——是数据科学 Python 化的第一步，也是后续学习 Pandas 和 scikit-learn 的必经之路。