第2章 · NumPy 科学计算

第 2 章 · NumPy 科学计算

章节摘要：NumPy 是整个 Python 数据科学的地基，Pandas、SciPy、Scikit-learn 全都建立在它之上。本章围绕 ndarray 数组展开：先讲清楚这个数据结构为什么快，再依次学会创建数组、按需取值、用向量化运算替代循环，最后掌握形状调整、数组组合与统计计算。学完本章，你处理十万行订单金额数据也能在眨眼之间完成。

本节导读

阅读完本章，你应当能够：

1. 解释 ndarray 与 Python 列表在内存布局与速度上的差异
2. 用多种方式创建数组：零数组、等差数列、随机数组、全一数组
3. 熟练使用基本索引、切片、花式索引与布尔索引取值
4. 理解并运用广播机制，写出无循环的向量化代码
5. 完成数组重塑、转置、组合与分割，并用聚合函数做统计

核心概念速览

一句话记住本章：能用数组整体运算，就绝不写 for 循环——向量化是 NumPy 性能的秘密，也是 Pandas 里 apply 绕不开循环时仍然快的底气。

NumPy 学习路径图

子章节导航

2.1 ndarray 核心概念与数组创建

理解 ndarray 的"同质、连续内存"本质，掌握 array、zeros、ones、arange、linspace、random 等创建方式。

2.2 索引切片与高效取值

基本索引、切片、花式索引、布尔索引四种取值方式，以及 reshape、flatten 等形状操作的正确姿势。

2.3 向量化运算与广播机制

用数组整体运算替代 Python 循环，理解广播的维度对齐规则，写出既快又清晰的代码。

2.4 数组重塑组合与统计实战

转置、拼接、分割、聚合统计，配合贯穿案例算订单金额的多种统计量，完成 NumPy 实战收尾。

子章节之间的逻辑关系

创建数组(2.1) → 取值(2.2) → 运算(2.3) → 重组与统计(2.4)
     │             │           │
   有数据       会取数      算得快        出结论
​

四节是一条完整的处理链：先造出数据，再取到需要的数据，然后用向量化运算把计算变快，最后通过形状操作与统计把结果整理出来。

前置知识与后续延伸

• 前置：第 1 章装好的环境；Python 列表、循环的基本概念（不熟也没关系，2.2、2.3 会对照着讲）
• 为后续铺垫：Pandas 的 Series 与 DataFrame 底层就是 NumPy 数组（第 3 章）；本章的向量化思维在数据清洗（第 4 章）与性能优化（第 6 章）中反复使用

实战建议与常见坑

学 NumPy 最忌讳"背 API"。它的核心就三件事：建数组、取数、运算，其余都是这三件的组合。建议按下面顺序练：

• 先跑 2.1 的创建代码：把 array、zeros、arange、linspace、random 五种创建方式各敲一遍，输出看一眼
• 再练 2.2 的取数：拿同一个数组，用基本索引、切片、花式、布尔四种方式各取一次，对比结果
• 最后攻 2.3 的广播：这是全章最难的十行代码，卡住正常——把 shape 打印出来，一行一行对广播规则

三个高频坑提前标记：切片是视图（改切片会改原数组）、布尔条件要用与符号加括号、reshape 前后元素总数必须一致。踩到任何一个，回对应小节看排查说明。

本章验收标准：能不查资料写出"对数组求和、按条件筛选、算均值与分位数"的代码，且知道切片修改会传染原数组。