NumPy 系列(一):NumPy 的设计思想与核心数据结构

举报
yd_299290000 发表于 2026/11/12 12:25:36 2026/11/12
【摘要】 NumPy 系列(一):NumPy 的设计思想与核心数据结构 一、NumPy 是什么NumPy(Numerical Python)是 Python 科学计算生态中的基础库,其核心功能是提供高效的多维数组及相应的数值运算能力。Python 原生提供了列表(list)、元组(tuple)等数据结构,但它们并非专门为大规模数值计算设计。当计算涉及数百万个数值、复杂矩阵或多维数据时,使用普通 Py...

NumPy 系列(一):NumPy 的设计思想与核心数据结构

一、NumPy 是什么

NumPy(Numerical Python)是 Python 科学计算生态中的基础库,其核心功能是提供高效的多维数组及相应的数值运算能力。

Python 原生提供了列表(list)、元组(tuple)等数据结构,但它们并非专门为大规模数值计算设计。当计算涉及数百万个数值、复杂矩阵或多维数据时,使用普通 Python 循环往往会产生较大的解释器开销。

NumPy 通过引入统一的数据表示方式和底层编译实现的计算操作,在保留 Python 易用性的同时,提高了数值处理效率。

因此,理解 NumPy 的关键,并非记忆其数学函数,而是理解它如何组织数据,以及这种组织方式为什么有利于计算。

二、核心数据结构:ndarray

NumPy 最重要的数据结构是 ndarray,即 N-dimensional array(N 维数组)。

与 Python 列表不同,常规 NumPy 数组具有三个基本特征。

第一,数据类型统一。 一个数组中的元素遵循统一的数据类型描述,例如 int32 或 float64。这使得 NumPy 可以按照明确的内存布局读取和处理元素,而不必对每个数值执行完整的 Python 对象操作。

第二,支持多维结构。 数组可以是一维序列、二维矩阵,也可以是更高维的数据集合。NumPy 使用相同的 ndarray 接口描述这些结构。

第三,数组大小通常固定。 与可以动态增加元素的 Python 列表不同,NumPy 数组更适合规模已知或相对稳定的数据集合。扩展数组通常需要重新分配内存或创建新数组。

这些约束并非缺陷,而是 NumPy 实现高效数值计算的重要基础。

三、认识数组的基本属性

安装 NumPy 后,可以通过约定俗成的 np 别名使用它:

import numpy as np

a = np.array(
    [[1, 2, 3], [4, 5, 6]],
    dtype=np.float64
)

print(a.ndim)   # 2
print(a.shape)  # (2, 3)
print(a.size)   # 6
print(a.dtype)  # float64

这段代码建立了一个具有两行、三列的二维数组。

其中,ndim 表示维度数量,shape 表示各维度的长度,size 表示元素总数,dtype 则描述元素的数据类型。

这四个属性构成了理解数组的基础。尤其是 shape,它不仅描述数据结构,还直接影响后续运算是否合法,以及结果具有怎样的维度。

四、向量化:从逐个计算到整体运算

NumPy 的另一项核心设计是向量化(Vectorization)。

考虑将三个数值分别乘以 2:

numbers = [1, 2, 3]

result = [x * 2 for x in numbers]

使用 NumPy,可以写成:

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

result = a * 2
# array([2, 4, 6])

两种方法在数学上等价,但执行机制不同。

前者需要由 Python 逐次执行循环逻辑;后者将整个数组交给 NumPy 的底层计算实现处理,从而减少 Python 层面的逐元素操作开销。

这并不意味着循环消失了,而是循环被转移到了更适合执行数值运算的底层代码中。

向量化也让程序表达更接近数学公式。例如:

prices = np.array([10.0, 10.5, 9.8])

returns = prices[1:] / prices[:-1] - 1

上述表达式直接计算相邻价格之间的收益率,不需要显式编写循环。

需要强调的是,向量化不等于并行计算,也不保证所有情况下都更快。其性能仍然受到数组规模、内存访问方式及中间结果分配等因素影响。

五、NumPy 的适用边界

NumPy 特别适合数据类型统一、规模较大且需要重复执行数值运算的任务,例如科学计算、统计分析、信号处理及机器学习中的数值预处理。

但对于频繁插入和删除元素、存储复杂异构对象,或仅涉及少量标量的任务,Python 原生数据结构可能更加合适。

NumPy 也不是完整的数据分析或机器学习框架。它提供的是底层数组表示与数值计算能力,许多上层工具正是建立在这类能力之上。

六、结语

NumPy 的核心价值,可以概括为:通过更明确的数据结构约束,将大量重复的数值操作交由高效的底层实现完成。

掌握 NumPy,不仅需要知道如何调用函数,更需要建立对数组维度、数据类型及计算方式的系统认识。

下一篇将进一步讨论 ndarray 的创建方法、数据类型与内存布局,为理解数组操作和性能优化建立基础。


下一篇:NumPy 系列(二):数组的创建、数据类型与内存布局

【版权声明】本文为华为云社区用户原创内容,未经允许不得转载,如需转载请自行联系原作者进行授权。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。