NumPy ndarray数组教程：定义、创建与属性详解

1. 引言

NumPy（Numerical Python）是Python科学计算的基础库，广泛应用于数据分析、机器学习等领域。其核心数据结构是ndarray（n维数组），支持高效的多维数据处理。本教程将详细讲解ndarray的定义、创建、属性和数据类型，帮助新手快速入门。

2. ndarray数组的定义与创建

ndarray是一个多维、同质的数组对象，用于存储数值数据。它类似于Python的列表，但提供了更快的运算和更丰富的功能。NumPy数组是静态类型的，这意味着所有元素必须是相同的数据类型（dtype）。

创建ndarray的基本方法是使用NumPy提供的函数，最常见的是np.array()。

2.1 基础创建：np.array()

np.array()函数可以将Python列表、元组等序列转换为NumPy数组。这是创建数组的入门方法。

示例代码：

import numpy as np

# 从列表创建一维数组
arr1 = np.array([1, 2, 3, 4])
print("一维数组:", arr1)
# 输出: [1 2 3 4]

# 从嵌套列表创建二维数组
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
print("二维数组:\n", arr2)
# 输出:
# [[1 2 3]
#  [4 5 6]]

2.2 数据类型指定

在创建数组时，可以通过dtype参数指定元素的数据类型，以优化内存使用和计算性能。如果不指定，NumPy会自动推断类型。

示例代码：

# 指定数据类型为float32
arr_float = np.array([1, 2, 3], dtype=np.float32)
print("float32数组:", arr_float)
print("数据类型:", arr_float.dtype)
# 输出: float32数组: [1. 2. 3.]
# 数据类型: float32

# 默认推断为int64（取决于系统）
arr_default = np.array([1, 2, 3])
print("默认数组:", arr_default.dtype)
# 输出: int64

3. 数组的核心属性

NumPy数组提供多个属性来访问其基本特征，这对于理解和操作数组至关重要。

3.1 ndim：维度数

ndim属性返回数组的维度数。例如，一维数组的ndim为1，二维数组为2。

示例代码：

arr = np.array([[1, 2, 3], [4, 5, 6]])
print("维度数:", arr.ndim)  # 输出: 2

3.2 shape：形状

shape属性返回一个元组，表示每个维度的大小。例如，一个2行3列的二维数组，shape为(2, 3)。

示例代码：

arr = np.array([[1, 2, 3], [4, 5, 6]])
print("形状:", arr.shape)  # 输出: (2, 3)

3.3 size：元素总数

size属性返回数组中元素的总数。它是形状元组中所有值的乘积。

示例代码：

arr = np.array([[1, 2, 3], [4, 5, 6]])
print("元素总数:", arr.size)  # 输出: 6

3.4 dtype：数据类型

dtype属性返回数组元素的数据类型，如int32、float64等。这是NumPy数组的关键特性，确保数据一致性和效率。

示例代码：

arr = np.array([1.0, 2.0, 3.0])
print("数据类型:", arr.dtype)  # 输出: float64

3.5 nbytes：总字节数

nbytes属性返回数组数据占用的总字节数。它等于size乘以每个元素的字节数（由dtype决定）。

示例代码：

arr = np.array([1, 2, 3], dtype=np.int32)
print("总字节数:", arr.nbytes)  # 输出: 12 (3个元素 * 4字节/元素)

4. 数据类型（dtype）详解

dtype（数据类型）定义了数组中每个元素的类型，影响内存占用、精度和运算。NumPy支持多种数据类型，包括数值类型、布尔类型和字符串类型。

4.1 数值类型

数值类型用于存储整数或浮点数，常见的有：

• int8: 8位有符号整数，范围-128到127。
• int32: 32位有符号整数，范围约-2.1e9到2.1e9。
• float32: 32位单精度浮点数，精度约6-7位小数。
• float64: 64位双精度浮点数，精度约15-16位小数（默认浮点类型）。

示例代码：

# 创建不同数值类型的数组
int8_arr = np.array([1, 2, 3], dtype=np.int8)
int32_arr = np.array([100000, 200000], dtype=np.int32)
float32_arr = np.array([1.1, 2.2], dtype=np.float32)
float64_arr = np.array([3.14, 2.71], dtype=np.float64)  # 等同于默认

print("int8数组:", int8_arr, "dtype:", int8_arr.dtype)
print("float32数组:", float32_arr, "dtype:", float32_arr.dtype)

4.2 布尔类型

布尔类型用于存储True或False值，通常用bool表示（实际上是int8的子类）。

示例代码：

bool_arr = np.array([True, False, True], dtype=bool)
print("布尔数组:", bool_arr)  # 输出: [ True False  True]
print("dtype:", bool_arr.dtype)  # 输出: bool

4.3 字符串类型

字符串类型用于存储文本数据，使用str_或指定长度如U10（Unicode字符串，最多10个字符）。

示例代码：

str_arr = np.array(['hello', 'world'], dtype='U10')
print("字符串数组:", str_arr)  # 输出: ['hello' 'world']
print("dtype:", str_arr.dtype)  # 输出: <U10

5. 类型转换（astype()）与类型兼容性

NumPy允许在数组之间转换数据类型，使用astype()方法。这在数据预处理或优化内存时很有用。

5.1 astype()方法

astype()返回一个新数组，将原数组元素转换为指定数据类型。注意：它是复制操作，原数组不变。

示例代码：

arr = np.array([1, 2, 3, 4], dtype=np.int32)
print("原数组:", arr, "dtype:", arr.dtype)

# 转换为float64
arr_float = arr.astype(np.float64)
print("转换后:", arr_float, "dtype:", arr_float.dtype)
# 输出: [1. 2. 3. 4.] dtype: float64

# 转换为int8（注意溢出）
arr_int8 = arr.astype(np.int8)
print("转换为int8:", arr_int8)  # 如果值超出范围，可能会截断

5.2 类型兼容性说明

• 数值类型转换: 整数可以安全转换为浮点数（如int32到float64），但浮点数转整数可能丢失小数部分（四舍五入或截断）。
• 溢出风险: 当转换到较小范围类型（如int32到int8）时，如果值超出目标范围，可能会发生溢出（未定义行为）。
• 布尔转换: 非零数值转换为True，零转换为False；布尔值转数值时，True为1，False为0。
• 字符串转换: 数值可以转换为字符串，但反向转换可能失败或需要解析。

示例代码：

# 兼容性示例
arr = np.array([1.5, 2.7, 3.0])
# 浮点数转整数（四舍五入）
arr_int = arr.astype(np.int32)
print("浮点数转整数:", arr_int)  # 输出: [1 2 3]

# 布尔转换
bool_arr = np.array([0, 1, 2], dtype=bool)
print("布尔转换:", bool_arr)  # 输出: [False  True  True]

6. 总结

本教程详细介绍了NumPy ndarray数组的核心概念：从定义和创建（特别是np.array()函数），到核心属性如ndim、shape、size、dtype和nbytes，再深入数据类型dtype，包括数值类型（int8/int32/float32/float64）、布尔类型和字符串类型，最后讲解了类型转换方法astype()及其兼容性问题。

通过实践这些示例，新手可以快速掌握NumPy数组的基础，为后续的科学计算任务打下坚实基础。NumPy的强大功能使得数据处理更加高效和便捷，建议多练习以熟悉这些概念。

进一步学习: 探索NumPy的其他功能，如数组运算、索引、切片和广播，以充分利用其在Python中的数据科学能力。