NumPy：用数组、广播和向量化组织数值计算

问题与目标

Python 列表可以保存数值，但它不直接表达多维形状、统一类型和批量运算。NumPy 的 ndarray 用连续数据和向量化操作承载数值计算，是后续数据分析与机器学习的基础。

完成标准：能创建和检查数组，使用索引、切片、布尔筛选、广播和矩阵乘法，并解释形状不匹配问题。

广播比较形状时从最右侧维度开始：对应维度相等，或其中一个为 1，才可以继续扩展。把形状写出来再对齐，比只看报错信息更容易定位问题。

核心概念

数组的三个关键属性是 shape、ndim 和 dtype。同一数组通常使用统一类型；混入字符串可能导致整体转换，影响计算。

切片通常返回视图，修改它可能影响原数组；需要独立数据时显式 .copy()。向量化把循环交给底层实现，代码更接近公式，但并不意味着所有操作都会无条件更快或更省内存。

广播从尾部维度比较：维度相等、其中一个为 1，或一方缺少该维度时可以扩展。* 是逐元素乘法，@ 是矩阵乘法。

创建数组与检查结构

import numpy as np

print(np.zeros((2, 3)))
print(np.ones((2, 3), dtype=np.int64))
print(np.arange(0, 10, 2))
print(np.linspace(0, 1, 5))

array = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float64)
print(array.shape, array.ndim, array.size, array.dtype)

reshape 只改变形状解释，元素总数必须一致；使用 -1 可以让 NumPy 推断一个维度。ravel() 尽量返回视图，flatten() 总是复制，是否共享内存会影响修改结果和内存开销。

索引、轴与聚合

二维数组中 axis=0 沿行方向压缩，得到每列结果；axis=1 沿列方向压缩，得到每行结果：

matrix = np.array([[1, 2, 3], [4, 5, 6]])
print(matrix.sum(axis=0))
print(matrix.sum(axis=1))
print(matrix[:, 1])
print(matrix[matrix > 3])

布尔索引返回一维选中结果；需要保留二维结构时使用 np.where 替换或按行列分别筛选。

广播的形状推导

形状 (3, 4) 的矩阵减去 (4,) 向量时，向量按每一行广播；减去 (3, 1) 时，单列按每一列广播。形状 (3,) 不能直接表达“每行一个值”，应通过 values[:, None] 变成 (3, 1)。

可运行实现

对三名用户的四项指标做标准化和加权评分：

python -m pip install numpy

import numpy as np

features = np.array(
    [
        [80.0, 5.0, 12.0, 0.9],
        [65.0, 8.0, 18.0, 0.7],
        [92.0, 4.0, 10.0, 0.95],
    ],
    dtype=np.float64,
)

minimum = features.min(axis=0)
maximum = features.max(axis=0)
scale = np.where(maximum == minimum, 1.0, maximum - minimum)
normalized = (features - minimum) / scale

weights = np.array([0.4, -0.2, -0.1, 0.3])
scores = normalized @ weights

print("shape:", features.shape)
print("normalized:\n", np.round(normalized, 2))
print("scores:", np.round(scores, 3))
print("best index:", int(np.argmax(scores)))

输入是形状 (3, 4) 的特征矩阵和形状 (4,) 的权重向量，输出是标准化矩阵、三项得分和最高分行号。axis=0 表示沿行聚合，为每一列计算统计值。

常见创建与筛选方式：

values = np.arange(12).reshape(3, 4)
print(values[:, 1:3])
print(values[values % 2 == 0])
print(np.linspace(0, 1, 5))

随机实验使用生成器并固定种子以便复现：rng = np.random.default_rng(42)。

向量化并不等于没有成本

表达式 (features - minimum) / scale 可能创建中间数组。数据很大时应关注峰值内存，必要时分块处理或使用允许的原地操作。原地运算还受 dtype 转换规则限制，不能为节省内存牺牲正确性。

可以用以下方式进一步验证：给定一次矩阵运算，先手写输入、广播中间形状和输出形状，再运行代码核对；对随机过程固定种子；对切片修改明确说明是否希望影响原数组。

进一步验证

• 对形状为 (4, 3) 的矩阵，分别计算按列和按行归一化，写出所有中间形状。
• 制造一次整数数组原地除法错误，再通过显式转换 dtype 修复。
• 比较切片视图和 .copy() 在修改后的差异，并说明两者的内存取舍。

验证时不仅要数值正确，还要能预先写出每个数组的 shape、dtype 以及是否与原数据共享内存。

常见问题与排查

• operands could not be broadcast together：从右向左比较两个 shape，明确希望按行还是按列扩展。
• * 与 @ 混淆：先写出期望输入、输出形状。
• 整数数组计算后被截断：构造时指定浮点 dtype，不要向整数数组原地写小数。
• 修改切片导致原数组变化：视图共享数据，需要隔离时 .copy()。
• 用 np.vectorize 期待底层加速：它主要改善调用形式，通常仍执行 Python 函数。

小结

NumPy 的核心不是函数数量，而是形状、轴、类型和广播。每次计算前后都能写出 shape，数值代码才容易验证和排查。