Python Numpy数组操作技巧有哪些？矩阵计算实战怎么快速上手？

Numpy是Python生态中用于科学计算的核心库，其提供的多维数组对象ndarray和一系列数组操作、矩阵计算函数，是数据分析、机器学习等领域的基础工具。掌握Numpy的数组操作和矩阵计算技巧，能够大幅提升数值计算的效率。

Numpy数组基础操作技巧

数组创建与基本属性

使用Numpy创建数组是最基础的操作，常见的方式包括从列表转换、生成特殊数组等。我们可以通过ndarray的属性快速获取数组的形状、维度、数据类型等信息。

import numpy as np

# 从列表创建一维数组
arr1 = np.array([1, 2, 3, 4, 5])
# 创建二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
# 创建全0数组，指定形状为(2,3)
zeros_arr = np.zeros((2, 3))
# 创建全1数组，指定形状为(3,2)
ones_arr = np.ones((3, 2))
# 创建等差数组，从0到10，步长为2
range_arr = np.arange(0, 10, 2)

print("一维数组形状:", arr1.shape)
print("二维数组维度:", arr2.ndim)
print("二维数组数据类型:", arr2.dtype)
print("全0数组:n", zeros_arr)
print("等差数组:", range_arr)

数组常用操作技巧

实际开发中经常需要对数组进行维度变换、拼接、切片等操作，Numpy提供了对应的高效方法。

• 维度变换：使用reshape方法可以改变数组的形状，前提是变换前后元素总数一致
• 数组拼接：np.concatenate可以按指定轴拼接多个数组，np.vstack和np.hstack分别对应垂直和水平拼接
• 数组切片：和Python列表类似，支持多维切片操作，且切片返回的是原数组的视图，修改会影响原数组

import numpy as np

arr = np.arange(12)
# 将一维数组转换为3行4列的二维数组
reshaped_arr = arr.reshape(3, 4)
print("变换形状后的数组:n", reshaped_arr)

# 垂直拼接两个二维数组
arr_a = np.array([[1, 2], [3, 4]])
arr_b = np.array([[5, 6], [7, 8]])
v_stack = np.vstack((arr_a, arr_b))
print("垂直拼接结果:n", v_stack)

# 水平拼接两个二维数组
h_stack = np.hstack((arr_a, arr_b))
print("水平拼接结果:n", h_stack)

# 二维数组切片，取所有行的第1到2列（索引从0开始）
slice_arr = reshaped_arr[:, 1:3]
print("切片结果:n", slice_arr)

矩阵计算实战解析

基础矩阵运算

矩阵计算是Numpy的核心能力之一，支持矩阵转置、加法、减法、对应元素乘法等操作。

import numpy as np

# 创建两个形状相同的矩阵
matrix_a = np.array([[1, 2, 3], [4, 5, 6]])
matrix_b = np.array([[7, 8, 9], [10, 11, 12]])

# 矩阵转置
transpose_a = matrix_a.T
print("矩阵A转置结果:n", transpose_a)

# 矩阵加法
add_result = matrix_a + matrix_b
print("矩阵加法结果:n", add_result)

# 对应元素乘法
multiply_result = matrix_a * matrix_b
print("对应元素乘法结果:n", multiply_result)

矩阵乘法实战

矩阵乘法是矩阵计算中最常用的操作，需要注意和对应元素乘法的区别，矩阵乘法要求前一个矩阵的列数等于后一个矩阵的行数，使用np.dot或者@运算符实现。

import numpy as np

# 创建两个满足矩阵乘法条件的矩阵，A为2行3列，B为3行2列
matrix_a = np.array([[1, 2, 3], [4, 5, 6]])
matrix_b = np.array([[7, 8], [9, 10], [11, 12]])

# 使用np.dot计算矩阵乘法
dot_result1 = np.dot(matrix_a, matrix_b)
# 使用@运算符计算矩阵乘法
dot_result2 = matrix_a @ matrix_b

print("矩阵乘法结果（np.dot）:n", dot_result1)
print("矩阵乘法结果（@运算符）:n", dot_result2)

实战场景：线性方程组求解

矩阵计算可以应用到线性方程组求解的场景中，对于线性方程组Ax=b，其中A是系数矩阵，b是常数矩阵，x是未知量矩阵，可以通过np.linalg.solve快速求解。

例如求解方程组：

2x + y = 5
x + 3y = 6

对应的系数矩阵A为[[2,1],[1,3]]，常数矩阵b为[5,6]，求解代码如下：

import numpy as np

# 系数矩阵A
A = np.array([[2, 1], [1, 3]])
# 常数矩阵b
b = np.array([5, 6])

# 求解线性方程组
x = np.linalg.solve(A, b)
print("方程组的解为:", x)
# 验证结果，计算A@x是否等于b
print("验证结果:", np.allclose(A @ x, b))

PythonNumpy数组操作矩阵计算修改时间：2026-07-23 18:27:13