【机器学习学习笔记】numpy基础
零基础入门 NumPy：从概念到实操整理
如果你想用电竞 Python 做 "算账"" 数据分析 " 这类和数字打交道的事，那NumPy绝对是绕不开的 "神器"。它就像给 Python 装了一个 "超级计算器"，能轻松处理大堆数字、复杂表格（甚至更高维度的数字集合），而且速度比 Python 自带的工具快得多。下面用最通俗的语言，把 NumPy 的核心知识拆成 "能看懂、能上手" 的模块。
一、先搞懂：NumPy 到底是什么？为什么要用它？
1. NumPy 的定位
- 全称：Numerical Python（Python 的数值计算库）
- 核心作用：解决 Python 自带工具 "处理数字能力弱" 的问题 —— 比如 Python 自带的列表、元组只能处理 1 行数字（1 维），而 NumPy 能处理 "多行多列"（2 维）、"多层多行多列"（3 维）甚至更高维度的数字集合，还能快速做加减乘除、矩阵运算等。
- 隐藏身份：很多数据分析工具（比如 Pandas 表格、Matplotlib 画图）的 "底层发动机"—— 你装这些工具时，会自动装上 NumPy，因为它们需要靠 NumPy 算数据。
2. 对比：NumPy vs Python 自带工具
Python 自带 3 种 "存数字" 的方式，但都有局限：
| 类型 | 样子举例 | 缺点 |
|---|---|---|
| 列表（list） | [1, 2, 3] | 只能 1 维，算数据慢 |
| 元组（tuple） | (1, 2, 3) | 只能 1 维，还不能改里面的数字 |
| 字典（dict） | {"A":1, "B":2} | 靠 "键值对" 存，不适合纯数字计算 |
而 NumPy 的核心 ——ndarray 多维数组，完美解决这些问题：
- 能存 1 维（像数轴）、2 维（像 Excel 表格）、3 维（像多层 Excel）...
- 算数据快 10~100 倍（底层用 C 语言写的）
- 支持各种数学运算（加减乘除、平方、开根号等）
二、基础中的基础：NumPy 的数据类型
Python 自带的数字类型只有 4 种（整数 int、小数 float、布尔 bool、复数 complex），但 NumPy 把它们拆得更细，能精准控制数字的 "大小" 和 "精度"（比如同样是整数，能分 "占 1 个字节的小整数" 和 "占 8 个字节的大整数"），避免浪费内存。
常用数据类型整理（记重点即可）
| 类型大类 | 具体类型 | 通俗解释 | 适用场景 |
|---|---|---|---|
| 布尔型 | bool | 只有 True（真）/False（假），占 1 字节 | 判断条件（比如 "数字是否大于 5"） |
| 整数型 | int8/int32/int64 | 不同大小的整数（8/32/64 表示占多少位） | 存年龄、数量等整数（数字小用 int8，大则用 int64） |
| 无符号整数型 | uint8/uint64 | 只能存正数的整数（范围比普通整数大） | 存像素值（0~255）这类非负整数 |
| 浮点型（小数） | float32/float64 | 不同精度的小数（64 比 32 精度更高） | 存身高（1.75 米）、体重（60.5kg）等小数，优先用 float64 |
| 复数型 | complex64/complex128 | 数学中的复数（比如 1+2j） | 信号处理、量子计算等专业场景（小白暂时用不上） |
怎么指定 / 转换数据类型？
用 NumPy 创建数组时，可通过dtype参数指定类型；创建后也能通过astype()转换：
import numpy as np # 第一步：导入NumPy（约定俗成叫np）# 1. 创建数组时指定类型为float64（高精度小数）
a = np.array([1.1, 2.2, 3.3], dtype=np.float64)
print(a) # 输出：[1.1 2.2 3.3]
print(a.dtype) # 查看类型：float64# 2. 把小数转成整数（会丢掉小数部分，不是四舍五入！）
b = a.astype(np.int64)
print(b) # 输出：[1 2 3]
print(b.dtype) # 查看类型：int64
三、核心技能：创建 NumPy 数组（ndarray）
NumPy 提供了很多方法创建数组，不用死记硬背，先掌握最常用的 5 种：
1. 从 Python 列表 / 元组转过来（最基础）
用np.array()把 Python 的列表或元组 "包装" 成 NumPy 数组，支持 1 维、2 维、3 维：
# 1维数组（像一条线）
arr1 = np.array([1, 2, 3, 4]) # 列表转1维
# 2维数组（像一张表格，几行几列）
arr2 = np.array([[1, 2, 3], [4, 5, 6]]) # 列表套列表转2维（2行3列）
# 3维数组（像一叠表格，几层几行几列）
arr3 = np.array([[[1,2],[3,4]], [[5,6],[7,8]]]) # 列表套列表套列表转3维（2层2行2列）# 查看数组形状（几行几列/几层）：用.shape属性
print(arr1.shape) # (4,) → 1维，4个元素
print(arr2.shape) # (2, 3) → 2维，2行3列
print(arr3.shape) # (2, 2, 2) → 3维，2层2行2列
2. 创建 "有规律的数组"（最常用）
不用手动写列表，直接让 NumPy 生成固定规律的数组，比如 "从 3 到 7，每 0.5 一个数"、"全是 0 的数组"：
| 方法 | 作用 | 例子（代码 + 输出） |
|---|---|---|
np.arange() | 按 "起始 - 结束 - 步长" 生成数组（半开区间：包含起始，不包含结束） | np.arange(3, 7, 0.5) → [3. 3.5 4. 4.5 5. 5.5 6. 6.5] |
np.linspace() | 按 "起始 - 结束 - 个数" 生成均匀间隔的数组（默认包含结束） | np.linspace(0, 10, 5) → [ 0. 2.5 5. 7.5 10. ] |
np.ones() | 生成全是 1 的数组（需要指定形状） | np.ones((2, 3)) → [[1. 1. 1.],[1. 1. 1.]]（2 行 3 列） |
np.zeros() | 生成全是 0 的数组（和 ones 用法一样） | np.zeros((3, 2)) → [[0. 0.],[0. 0.],[0. 0.]]（3 行 2 列） |
np.eye() | 生成 "对角线上是 1，其余是 0" 的数组（矩阵） | np.eye(3) → [[1. 0. 0.],[0. 1. 0.],[0. 0. 1.]]（3 行 3 列） |
3. 从函数 / 文件生成（进阶）
如果需要更灵活的数组（比如 "每个元素是行号 + 列号"），或从 Excel/Csv 文件读数据，可以用这些方法：
np.fromfunction()：按函数规则生成数组# 生成2行3列的数组，每个元素=行号+列号（a是行号，b是列号） arr = np.fromfunction(lambda a, b: a + b, (2, 3)) print(arr) # 输出：[[0. 1. 2.],[1. 2. 3.]]- 从文件读数据：后续学 Pandas 会更方便，NumPy 也有
np.fromfile()，但需要先了解文件格式，小白暂时可跳过。
4. 生成随机数数组（常用在模拟 / 测试）
用np.random模块生成随机数，比如 "10 个 2 到 5 之间的整数"、"符合正态分布的小数"：
| 方法 | 作用 | 例子（代码 + 输出） |
|---|---|---|
np.random.rand() | 生成 [0,1) 之间的均匀分布小数（指定形状） | np.random.rand(2,3) → [[0.2 0.5 0.8],[0.1 0.3 0.7]]（2 行 3 列） |
np.random.randn() | 生成 "标准正态分布" 的小数（均值 0，标准差 1） | np.random.randn(1,5) → [[-0.2 0.8 -1.1 0.3 -0.5]] |
np.random.randint() | 生成 [low, high) 之间的随机整数 | np.random.randint(2, 5, 10) → [2 3 4 3 2 4 3 2 4 3]（10 个整数） |
np.random.choice() | 从指定数组里随机抽数 | np.random.choice([1,3,5,7], 3) → [3 7 1]（从 [1,3,5,7] 抽 3 个） |
四、必学操作：数组的 "花式变形"
创建数组后，经常需要调整它的形状（比如把 1 维数组改成 2 维）、合并 / 拆分数组等，这些操作是后续数据分析的基础。
1. 改变形状：reshape()（不改变原数组）
把数组改成指定的形状，前提是 "总元素数不变"（比如 10 个元素可以改成 2 行 5 列，不能改成 3 行 4 列，因为 3×4=12≠10）：
# 先创建1个1维数组（10个元素）
arr = np.arange(10) # [0 1 2 3 4 5 6 7 8 9]# 改成2行5列的2维数组
arr2 = arr.reshape((2, 5))
print(arr2)
# 输出：
# [[0 1 2 3 4]
# [5 6 7 8 9]]# 查看原数组：没变化（reshape不修改原数组）
print(arr) # [0 1 2 3 4 5 6 7 8 9]
2. 数组展平：ravel()（把任意维数改成 1 维）
把 2 维、3 维数组 "压平" 成 1 维，方便后续处理：
arr = np.arange(10).reshape((2,5)) # 2行5列的数组# 按"行"展平（默认，先读第一行，再读第二行）
flat1 = np.ravel(arr)
print(flat1) # [0 1 2 3 4 5 6 7 8 9]# 按"列"展平（先读第一列，再读第二列）
flat2 = np.ravel(arr, order='F')
print(flat2) # [0 5 1 6 2 7 3 8 4 9]
3. 合并数组：concatenate()（按指定方向拼）
把多个数组按 "行方向"（上下拼）或 "列方向"（左右拼）合并，注意：合并方向的维度要一致（比如上下拼，列数必须相同；左右拼，行数必须相同）：
# 准备两个数组（都是2列）
a = np.array([[1,2], [3,4]]) # 2行2列
b = np.array([[5,6], [7,8]]) # 2行2列# 1. 按行方向合并（上下拼，axis=0）
merge0 = np.concatenate((a, b), axis=0)
print(merge0)
# 输出：
# [[1 2]
# [3 4]
# [5 6]
# [7 8]]（4行2列）# 2. 按列方向合并（左右拼，axis=1）
merge1 = np.concatenate((a, b), axis=1)
print(merge1)
# 输出：
# [[1 2 5 6]
# [3 4 7 8]]（2行4列）
4. 拆分数组：split()（按指定份数拆）
把一个数组按 "行" 或 "列" 拆成多个子数组，需要指定拆分成几份（或拆分的位置）：
# 准备一个4行2列的数组
arr = np.arange(8).reshape((4,2)) # [[0 1],[2 3],[4 5],[6 7]]# 1. 按行拆成2份（每份2行）
split0 = np.split(arr, 2, axis=0)
print(split0) # 得到两个子数组：[array([[0,1],[2,3]]), array([[4,5],[6,7]])]# 2. 按列拆成2份（每份1列）
split1 = np.split(arr, 2, axis=1)
print(split1) # 得到两个子数组：[array([[0],[2],[4],[6]]), array([[1],[3],[5],[7]])]
5. 插入 / 删除元素：insert()/delete()
在指定位置插入或删除行 / 列：
arr = np.arange(12).reshape((3,4)) # 3行4列：[[0,1,2,3],[4,5,6,7],[8,9,10,11]]# 1. 删除：沿列方向（axis=1）删除第3列（索引从0开始，2就是第3列）
del_arr = np.delete(arr, 2, axis=1)
print(del_arr)
# 输出：
# [[0 1 3]
# [4 5 7]
# [8 9 11]]（3行3列，少了原第3列）# 2. 插入：沿行方向（axis=0）在第3行前插入1行[100,200,300,400]
insert_arr = np.insert(arr, 2, [100,200,300,400], axis=0)
print(insert_arr)
# 输出：
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [100 200 300 400]
# [ 8 9 10 11]]（4行4列，多了插入的行）
五、关键属性：快速了解数组信息
创建数组后，用这些 "属性"（不用加括号，直接.属性名）能快速查看数组的核心信息：
arr = np.array([[1,2,3], [4,5,6]], dtype=np.float64) # 2行3列的小数数组print(arr.dtype) # 数据类型：float64
print(arr.shape) # 形状：(2, 3)（2行3列）
print(arr.ndim) # 维度：2（2维数组）
print(arr.size) # 总元素数：6（2×3=6）
print(arr.itemsize)# 每个元素占多少字节：8（float64占8字节）
print(arr.nbytes) # 数组总字节数：48（6×8=48）