NumPy数组操作与性能优化实战指南

1. NumPy数组操作基础概念

第一次接触NumPy数组时，我被它强大的性能震撼到了。记得当时处理一个50万行的数据集，用纯Python列表需要近30秒的操作，换成NumPy数组后仅需0.3秒。这种百倍的速度提升让我彻底迷上了这个科学计算库。

NumPy的核心是ndarray（N维数组）对象，它不同于Python原生列表的关键在于：

• 固定类型：数组所有元素必须是同种数据类型
• 连续内存：数据在内存中连续存储，减少寻址开销
• 向量化操作：避免显式循环，底层用C实现高效运算

创建数组最直接的方式是np.array()：

python复制import numpy as np
arr = np.array([1, 2, 3])  # 一维数组
matrix = np.array([[1,2], [3,4]])  # 二维数组

注意：np.array()默认会尝试推断合适的数据类型，若需要指定类型可使用dtype参数，如np.array([1,2], dtype=np.float32)

2. 数组创建与初始化方法大全

2.1 特殊数组生成

实际项目中，我们经常需要快速生成特定模式的数组：

python复制np.zeros((3,3))  # 3x3全0矩阵
np.ones((2,4))   # 2行4列全1数组
np.full((3,3), 5) # 3x3全5矩阵
np.eye(4)        # 4x4单位矩阵
np.empty((2,2))  # 未初始化的2x2数组（内容随机）

2.2 序列数组生成

数据预处理时，规律序列特别有用：

python复制np.arange(0, 10, 2)  # [0,2,4,6,8]（类似range但返回数组）
np.linspace(0, 1, 5) # [0., 0.25, 0.5, 0.75, 1.]（等分区间）
np.logspace(1,3,3)   # [10, 100, 1000]（对数刻度）

2.3 随机数组生成

机器学习中经常需要随机数据：

python复制np.random.rand(3,2)  # 3x2的[0,1)均匀分布
np.random.randn(2,2) # 2x2标准正态分布