图解NumPy包一文就够了（2025版）

学习python，必须对其数据结构了如指掌以达到随意提取所需的数据，numpy包是python中一个比较重要的模块，前面在生信菜鸟团有一篇笔记，今天再来学习一下，写一个2025版，同时看看包有没有啥更新的吧~

• 图解NumPy包一文就够了（2019版）

关于python学习的环境搭建，推荐：vscode + jupter + 服务器，可以随便搜一个教程安装一下~这里不再描述。

本学习帖子介绍一些使用 NumPy 的主要方法，以及在将它们用于机器学习模型之前，它如何表示不同类型的数据 (表、图像、文本等)。

ref：https://jalammar.github.io/visual-numpy/

numpy包简介

NumPy 包是 Python 生态系统中数据分析、机器学习和科学计算的主力。它极大地简化了对向量和矩阵的操作和处理，Python 的一些主要软件包依赖 NumPy 作为其基础设施的基本组成部分 (例如 scikit-learn、 SciPy、pandas 和 tensorflow)。

在 vcsode 中新建一个文件，numpy.ipynb，打开就可以交互式的运行python了：官网好像已经更新到 2.2.0版本了！

# 导入莫夸
import numpy as np

# 查看版本
np.__version__
# 1.26.4

创建数组

1.通过传递给np.array()函数一个list对象，来创建一个数组：

# 比如这里一维的数组
data = np.array([1,2,3])
data

图示如下，有了图的加持，真的非常好理解：

2.创建一个随机初始化数组

np.ones，np.zeros，np.random.random分别表示创建一个指定长度为n的数组：

data = np.ones(3)
data

data = np.zeros(3)
data

data = np.random.random(3)
data

图示：

3.多维数组

二维：

data = np.array([[1,2],[3,4]])
data

# 同样的
np.ones((3,2))
np.zeros((3,2))
np.random.random((3,2))

更高维：

np.array([ [[1,2],[3,4]],
          [[5,6],[7,8]] ])

np.ones((4,3,2))
np.zeros((4,3,2))
np.random.random((4,3,2))

提取子集

使用下标和切片提取，python的下标是从0开始的：

data = np.array([[1,2],[3,4],[5,6]])
data
data[0,1]
data[1:3]
data[1:3,]
data[0:2,0]

数组转置与reshape()

转置：行变成列，列变成行

data = np.array([[1,2],[3,4],[5,6]])
data
data.T

reshape：

data = np.array([1,2,3,4,5,6])
data
data.reshape(2,3)
data.reshape(3,2)

数组运算

1.矩阵可以进行加减乘除等数学运算：

# 首先创建两个维度一致的矩阵：
data = np.array([1,2])
ones = np.ones(2)
# 加法
ad = data + ones
ad

2.其他运算：

# 减法
sub = data - ones
sub
# 乘法
mul = data * data
# 除法
div = data / data
# 自动补全
pl = data * 1.6

图示：但是这里的运算好像和线性代数里面感觉有点不一样啊？

3.自动补全：

4.最小值/最大值/平均值等：

data = np.array([1,2,3])
data.max()
data.min()
data.sum()
data.prod()
data.std()

二维数组每一行每一列的最大、最小值：

data = np.array([[1,2],[3,4],[5,6]])
data.max(axis=0)
data.max(axis=1)

axis=0表示按列运算，axis=1表示按行运算：

更多的运算见：https://jakevdp.github.io/PythonDataScienceHandbook/02.04-computation-on-arrays-aggregates.html

5.多维数组运算

# data + ones
data = np.array([[1,2],[3,4]])
ones = np.ones((2,2))
data + ones

# data + ones_row
data = np.array([[1,2],[3,4],[5,6]])
ones_row = np.ones((1,2))
data + ones_row

6.点积运算(dot)

这个运算看起来比较像线性代数里面的两个矩阵相乘：

data1 = np.array([1,2,3])
data2 = np.array([[1,10],[100,1000],[10000,100000]])
data1.dot(data2)

高级运算

除了向量和矩阵支持运算外，公式的使用也是 NumPy 成为宠儿的原因之一。

例如在解决回归问题中监督式机器学习的核心公式：均方差公式

error = (1/n) * np.sum(np.square(predictions - labels))

具体计算过程如下：predictions 与 labels 这两个参数的长度需要相同：

step1

step1

step2

step2

step3

step3

step4

step4

更多应用

1.音频文件

一段音频可以存为一个一维数组，通过切片法可以剪辑任意一段：

CD 质量的音频每秒包含 44,100 个样本，每个样本是-65535 到 65536 之间的整数。这意味着如果你有一个 10 秒的 CD 质量 WAVE 文件，你可以将它加载到长度为 10 * 44,100 = 441,000 的 NumPy 数组中

2.图像Images

图像是像素大小 (高度 x 宽度) 的矩阵。

如果图像是黑白的 (也称为灰度) ，每个像素可以用一个数字表示 (通常介于 0 (黑色) 和 255 (白色) 之间)。想要裁剪图像左上角 10 x 10 像素的部分吗？使用numpy

如果图像是彩色的，那么每个像素用三个数字表示 —— 红色、绿色和蓝色各一个值。在这种情况下，我们需要一个三维 (因为每个单元格只能包含一个数字)。所以一个彩色图像是由一个3维数组表示的： (高 x 宽 x 3)

使用图的形式直观展示出来是不是容易理解多了~