0Pricing
Python Academy · 课时

NumPy 数组与 dtypes

创建 ndarray，了解 dtypes，并探索数组属性。

NumPy 数组与 dtypes 是 CoddyKit 上的免费 Python Academy 课时。 这是第 1 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Python Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Python Academy 课程共包含 4 节课。

什么是 NumPy？

NumPy 提供 ndarray，这是一种固定类型、使用连续内存的数组，支持向量化操作，速度比 Python 列表快几个数量级。

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(arr)          # [1 2 3 4 5]
print(arr * 2)      # [ 2  4  6  8 10]   (no Python loop)

创建数组

常用的创建函数包括：np.array()、np.zeros()、np.ones()、np.arange() 和 np.linspace()。

import numpy as np

print(np.zeros((2, 3)))     # 2x3 array of 0.0
print(np.ones(5))           # [1. 1. 1. 1. 1.]
print(np.arange(0, 10, 2))  # [0 2 4 6 8]
print(np.linspace(0, 1, 5)) # [0.   0.25 0.5  0.75 1.  ]

dtypes

每个 NumPy 数组都只有一种 dtype。常见的 dtype 包括：int32、int64、float32、float64、bool 和 complex128。

import numpy as np

a = np.array([1, 2, 3])           # int64 by default
b = np.array([1.0, 2.0])          # float64
c = np.array([1, 2], dtype=np.float32)

print(a.dtype)  # int64
print(c.dtype)  # float32

数组形状和 ndim

shape 是一个表示各维度大小的元组。ndim 是维度数量。size 是元素总数。

import numpy as np

m = np.ones((3, 4))
print(m.shape)   # (3, 4)
print(m.ndim)    # 2
print(m.size)    # 12
print(m.dtype)   # float64

重塑数组

reshape() 会返回一个具有新形状的视图（数据不变）。flatten() 会返回一个一维数组副本。

import numpy as np

arr = np.arange(12)
mat = arr.reshape(3, 4)
print(mat)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]
print(mat.flatten())   # [ 0  1  2  3 ...]

类型转换

使用 arr.astype(dtype) 将数组转换为其他类型。该操作始终返回副本。

import numpy as np

arr = np.array([1, 2, 3])
float_arr = arr.astype(np.float64)
print(float_arr)   # [1. 2. 3.]
print(float_arr.dtype)   # float64

随机数组

使用 np.random 生成随机数组：均匀分布、正态分布和整数。

import numpy as np

rng = np.random.default_rng(seed=42)   # reproducible
print(rng.random(5))         # 5 uniform [0,1)
print(rng.standard_normal(3)) # 3 normal(0,1)
print(rng.integers(1, 10, 4)) # 4 ints [1,10)

检查数组内存

itemsize 表示每个元素占用的字节数；nbytes 表示占用的总字节数。

import numpy as np

arr = np.zeros(1_000_000, dtype=np.float64)
print(arr.itemsize)   # 8
print(arr.nbytes)     # 8_000_000 (8 MB)

small = arr.astype(np.float32)
print(small.nbytes)   # 4_000_000 (4 MB)

np.empty 和 np.full

np.empty 分配内存但不进行初始化（速度快）。np.full 使用一个常量值填充数组。

import numpy as np

e = np.empty((2,3))          # uninitialised — random garbage values
f = np.full((2,3), fill_value=7)
print(f)
# [[7 7 7]
#  [7 7 7]]

副本与视图

对 NumPy 数组进行切片会返回一个视图（不会复制数据）。修改该视图会同时修改原数组。使用 .copy() 创建独立数组。

import numpy as np

arr = np.array([1, 2, 3, 4])
view = arr[1:3]
view[0] = 99
print(arr)    # [ 1 99  3  4]  — original changed!

copy = arr[1:3].copy()
copy[0] = 0
print(arr)    # unchanged

结构化数组

结构化数组可以在单个 ndarray 中存储异构数据（类似于 C 结构体），并为数据字段命名。

import numpy as np

dt = np.dtype([('name', 'U10'), ('age', np.int32), ('score', np.float64)])
people = np.array([
    ('Alice', 30, 95.5),
    ('Bob',   25, 87.3),
], dtype=dt)
print(people['name'])   # ['Alice' 'Bob']

快速检查

arr.reshape(3, 4) 会返回什么？

回顾

NumPy 的 ndarray 是一种固定类型、使用连续内存的数组。重要属性包括：shape、dtype、ndim 和 nbytes。切片会返回视图；使用 .copy() 创建独立副本。请选用满足需求的最小 dtype，以节省内存。

常见问题解答

「NumPy 数组与 dtypes」课时是免费的吗？

是的 — 「NumPy 数组与 dtypes」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Python Academy 课程的其余内容，请升级到 CoddyKit PRO。 Python Academy 课程共包含 4 节课。

「NumPy 数组与 dtypes」这节课中我会学到什么？

创建 ndarray，了解 dtypes，并探索数组属性。 你通过在浏览器中直接运行的动手代码来练习 Python Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 Python Academy 需要有经验吗？

无需任何先前经验。CoddyKit 上的 Python Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 1 节课，共 4 节。

「NumPy 数组与 dtypes」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 Python Academy 课中编写并运行代码吗？

能。每节 Python Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

  1. NumPy 数组与 dtypes
  2. 数组运算与广播
  3. 索引、切片与高级索引
  4. 使用 NumPy 进行线性代数
← 返回 Python Academy