人工智能之数据分析 numpy：第九章数组运算

原创

咚咚王

发布于 2025-11-23 18:55:11

770

文章被收录于专栏：用户11885981的专栏（2）用户11885981的专栏（2）

人工智能之数据分析 numpy

第九章数组运算

前言

NumPy 不仅提供了高效的多维数组（ndarray）结构，还内置了丰富的数组运算功能，包括基础算术、比较逻辑、位运算、通用函数（ufunc）、矩阵与线性代数等。这些运算是向量化的，无需显式循环，性能远超纯 Python。

下面系统讲解 NumPy 的各类数组运算。

一、基础算术运算（Element-wise Arithmetic）

NumPy 支持对数组进行逐元素（element-wise） 的四则运算和幂运算。

1. 基本运算符（支持广播）

import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

print(a + b)  # [5 7 9]
print(a - b)  # [-3 -3 -3]
print(a * b)  # [4 10 18]
print(a / b)  # [0.25 0.4  0.5 ]
print(a ** 2) # [1 4 9]
print(a % 2)  # [1 0 1]

2. 广播（Broadcasting）示例

# 标量与数组运算
print(a + 10)   # [11 12 13]

# 不同形状但兼容的数组
A = np.array([[1, 2, 3],
              [4, 5, 6]])  # shape (2,3)
B = np.array([10, 20, 30])   # shape (3,)

print(A + B)
# [[11 22 33]
#  [14 25 36]] ← B 被广播到每一行

✅ 广播规则：从后往前对齐维度，缺失或为1的维度可扩展。

二、比较运算（Comparison）

返回布尔数组，常用于筛选。

a = np.array([1, 2, 3, 4])
b = np.array([1, 3, 2, 4])

print(a == b)   # [ True False False  True]
print(a != b)   # [False  True  True False]
print(a > 2)    # [False False  True  True]
print(np.equal(a, b))  # 等价于 a == b

多数组比较

# 找出三个数组中相等的位置
c = np.array([1, 3, 3, 4])
mask = (a == b) & (b == c)
print(mask)  # [ True False  True  True]

三、逻辑运算（Logical Operations）

适用于布尔数组。

运算	函数	说明
与	`np.logical_and(x, y)` 或 `x & y`	元素级 AND
或	`np.logical_or(x, y)` 或 `x \\| y`	元素级 OR
非	`np.logical_not(x)` 或 `~x`	元素级 NOT
异或	`np.logical_xor(x, y)`	XOR

x = np.array([True, False, True])
y = np.array([True, True, False])

print(x & y)           # [ True False False]
print(np.logical_and(x, y))  # 同上

print(~x)              # [False  True False]

⚠️ 注意：对非布尔数组使用 &, | 会执行位运算（见下文），而非逻辑运算！

四、位运算（Bitwise Operations）

对整数类型的二进制位进行操作。

运算符	函数	说明
`&`	`np.bitwise_and`	按位与
`\\|`	`np.bitwise_or`	按位或
`^`	`np.bitwise_xor`	按位异或
`~`	`np.invert`	按位取反
`<<`	`np.left_shift`	左移
`>>`	`np.right_shift`	右移

a = np.array([1, 2, 3])  # 二进制: 01, 10, 11
b = np.array([3, 2, 1])  #         11, 10, 01

print(a & b)   # [1 2 1] → 01&11=01, 10&10=10, 11&01=01
print(a << 1)  # [2 4 6] → 左移1位（×2）

💡 位运算常用于掩码操作、图像处理、嵌入式系统等。

五、通用函数（ufunc: Universal Functions）

ufunc 是 NumPy 的核心，提供向量化、快速、元素级的数学函数。

1. 常见数学 ufunc

x = np.array([0, np.pi/2, np.pi])

print(np.sin(x))      # [0.0, 1.0, ~0.0]
print(np.cos(x))      # [1.0, ~0.0, -1.0]
print(np.exp(x))      # [1.0, ~4.81, ~23.14]
print(np.log([1, np.e, np.e**2]))  # [0. 1. 2.]
print(np.sqrt([4, 9, 16]))         # [2. 3. 4.]

2. 累积与聚合 ufunc

a = np.array([1, 2, 3, 4])

print(np.add.reduce(a))     # 10（求和）
print(np.multiply.reduce(a))# 24（连乘）

print(np.add.accumulate(a)) # [1 3 6 10]（前缀和）

3. 自定义 ufunc（高级）

# 将普通函数转为 ufunc
def my_func(x, y):
    return x**2 + y**2

my_ufunc = np.frompyfunc(my_func, 2, 1)
result = my_ufunc([1, 2], [3, 4])  # 返回 object 数组

⚠️ frompyfunc 性能较低，仅用于无法向量化的场景。

六、矩阵与线性代数（`numpy.linalg`）

Ⅰ. 矩阵乘法

在 NumPy 中，矩阵（Matrix） 有两种主要表示方式：

普通的二维 ndarray（推荐方式）
已弃用的 np.matrix 类

下面将详细讲解这两种方式，并重点说明为什么现代 NumPy 推荐使用 ndarray 而非 matrix，以及如何高效进行矩阵运算。

`np.matrix`：历史遗留（已弃用）

1. 创建方式

import numpy as np

# 从字符串、列表或 ndarray 创建
M = np.matrix([[1, 2], [3, 4]])
N = np.matrix('1 2; 3 4')  # 字符串形式
print(M)
# [[1 2]
#  [3 4]]

2. 特点

始终是二维的（即使你试图 reshape）
* 表示矩阵乘法（不是逐元素相乘）
有 .I（逆）、.T（转置）等属性

A = np.matrix([[1, 2], [3, 4]])
B = np.matrix([[5, 6], [7, 8]])

print(A * B)  # 矩阵乘法！
# [[19 22]
#  [43 50]]

print(A.I)    # 逆矩阵
print(A.T)    # 转置

3. ❌ 为什么被弃用？

行为不一致：与 ndarray 混用时容易出错
维度限制：无法表示三维及以上张量（深度学习必需）
社区共识：NumPy 官方自 1.15 版本起标记为 deprecated，未来可能移除

📌 官方建议：不要使用 np.matrix，改用 ndarray + @ 运算符。

✅ 推荐方式：使用二维 `ndarray` 表示矩阵

1. 创建矩阵（本质是 2D array）

A = np.array([[1, 2],
              [3, 4]])   # shape: (2, 2)

B = np.arange(1, 5).reshape(2, 2)
# [[1 2]
#  [3 4]]

2. 矩阵运算（使用标准 NumPy 函数和运算符）

操作	推荐写法	说明
矩阵乘法	`A @ B` 或 `np.dot(A, B)`	Python 3.5+ 支持 `@`
逐元素乘法	`A * B`	默认行为
转置	`A.T` 或 `A.transpose()`
逆矩阵	`np.linalg.inv(A)`
行列式	`np.linalg.det(A)`
解方程 Ax=b	`np.linalg.solve(A, b)`

示例：

A = np.array([[1, 2],
              [3, 4]], dtype=float)
B = np.array([[5, 6],
              [7, 8]], dtype=float)

# 矩阵乘法
C = A @ B
print("A @ B =\n", C)

# 转置
print("A.T =\n", A.T)

# 逆矩阵
A_inv = np.linalg.inv(A)
print("A⁻¹ =\n", A_inv)
print("A @ A⁻¹ ≈ I:\n", A @ A_inv)  # 应接近单位矩阵

# 解线性方程组
b = np.array([5, 11])
x = np.linalg.solve(A, b)
print("Solution x =", x)  # [1. 2.] → 1*1+2*2=5, 3*1+4*2=11

输出：

A @ B =
 [[19. 22.]
  [43. 50.]]
A.T =
 [[1. 3.]
  [2. 4.]]
A⁻¹ =
 [[-2.   1. ]
  [ 1.5 -0.5]]
A @ A⁻¹ ≈ I:
 [[1.0000000e+00 0.0000000e+00]
  [8.8817842e-16 1.0000000e+00]]
Solution x = [1. 2.]

常用矩阵操作汇总（基于 `ndarray`）

1. 基本属性

M = np.array([[1, 2, 3],
              [4, 5, 6]])

print(M.ndim)   # 2
print(M.shape)  # (2, 3)
print(M.size)   # 6

2. 特殊矩阵构造

# 零矩阵
Z = np.zeros((3, 3))

# 单位矩阵
I = np.eye(3)        # 或 np.identity(3)

# 对角矩阵
D = np.diag([1, 2, 3])

# 随机矩阵
R = np.random.rand(2, 2)

3. 矩阵分解（`numpy.linalg`）

A = np.array([[1, 2], [3, 4]], dtype=float)

# 特征值分解
eigenvals, eigenvecs = np.linalg.eig(A)

# 奇异值分解 (SVD)
U, s, Vt = np.linalg.svd(A)

# QR 分解
Q, R = np.linalg.qr(A)

4. 范数与条件数

# L2 范数（谱范数）
norm_A = np.linalg.norm(A, 2)

# Frobenius 范数
fro_norm = np.linalg.norm(A, 'fro')

# 条件数
cond_num = np.linalg.cond(A)

广播与矩阵运算的注意事项

1. 矩阵乘法维度必须匹配

A = np.random.rand(3, 4)
B = np.random.rand(4, 2)
C = A @ B  # ✅ (3,4) @ (4,2) → (3,2)

# D = A @ A  # ❌ (3,4) @ (3,4) → 维度不匹配！

2. 向量与矩阵相乘

A = np.array([[1, 2],
              [3, 4]])
v = np.array([1, 2])  # shape: (2,) —— 一维向量

# 左乘：v^T A → 结果是行向量（一维）
result1 = v @ A  # [7, 10]

# 右乘：A v → 结果是列向量（一维）
result2 = A @ v  # [5, 11]

# 若需显式列向量，用 reshape
v_col = v.reshape(-1, 1)  # shape: (2, 1)
Av = A @ v_col  # shape: (2, 1)

💡 NumPy 中的一维数组在矩阵乘法中自动视为行或列向量，非常灵活。

实际应用示例

📌 示例 1：线性回归（最小二乘解）

# 数据：X (n_samples, n_features), y (n_samples,)
X = np.array([[1, 1],
              [1, 2],
              [1, 3]])  # 添加偏置项
y = np.array([2, 3, 4])

# 正规方程：w = (X^T X)^{-1} X^T y
XTX_inv = np.linalg.inv(X.T @ X)
w = XTX_inv @ X.T @ y
print("Weights:", w)  # [1. 1.] → y = 1 + 1*x

📌 示例 2：图像仿射变换（旋转矩阵）

theta = np.pi / 4  # 45度
R = np.array([[np.cos(theta), -np.sin(theta)],
              [np.sin(theta),  np.cos(theta)]])  # 旋转矩阵

point = np.array([1, 0])  # x轴上的点
rotated = R @ point
print("Rotated point:", rotated)  # [0.707, 0.707]

总结：矩阵操作最佳实践

项目	推荐做法
数据结构	使用 `np.array`（二维），不要用 `np.matrix`
矩阵乘法	用 `@` 或 `np.dot()`
转置	用 `.T`
逆矩阵	用 `np.linalg.inv()`
解方程	用 `np.linalg.solve()`（比求逆更稳定高效）
高维张量	`ndarray` 支持任意维度，`matrix` 不支持

🔑 核心理念：统一使用 ndarray，通过 @ 和 linalg 模块完成所有矩阵运算，代码更清晰、兼容性更好、性能更优。

Ⅱ. 常用线性代数函数（`np.linalg`）

NumPy 通过 np.dot 和 numpy.linalg 模块支持线性代数运算。

函数	说明
`np.linalg.inv(A)`	矩阵求逆
`np.linalg.det(A)`	行列式
`np.linalg.eig(A)`	特征值与特征向量
`np.linalg.solve(A, b)`	解线性方程组 Ax = b
`np.linalg.norm(x)`	向量/矩阵范数（默认 L2）
`np.linalg.svd(A)`	奇异值分解

示例：解线性方程组

# 2x + y = 5
# x + 3y = 10

A = np.array([[2, 1],
              [1, 3]])
b = np.array([5, 10])

x = np.linalg.solve(A, b)
print(x)  # [1. 3.] → x=1, y=3

示例：计算矩阵的 Frobenius 范数

norm = np.linalg.norm(A, 'fro')  # 或默认 ord=None

七、其他重要运算

1. 聚合函数（Reduction）

arr = np.array([[1, 2, 3],
                [4, 5, 6]])

print(arr.sum())          # 21
print(arr.sum(axis=0))    # [5 7 9]（按列求和）
print(arr.mean(axis=1))   # [2. 5.]（每行均值）
print(np.std(arr))        # 标准差
print(np.max(arr))        # 最大值

2. 四舍五入

x = np.array([1.234, 2.567, 3.891])
print(np.round(x, 1))  # [1.2 2.6 3.9]
print(np.floor(x))     # [1. 2. 3.]
print(np.ceil(x))      # [2. 3. 4.]

八、小结：运算类型速查表

类型	示例函数/运算符	说明
算术	`+ - * / ** %`	逐元素运算，支持广播
比较	`== != > < >= <=`	返回布尔数组
逻辑	`& \\| ~`（布尔数组）	逻辑与/或/非
位运算	`& \\| ^ ~ << >>`（整数）	二进制位操作
ufunc	`np.sin`, `np.exp`, `np.sqrt`	向量化数学函数
矩阵乘法	`@`, `np.dot`	线性代数乘法
线性代数	`np.linalg.inv`, `solve`, `eig`	高级矩阵运算
聚合	`sum`, `mean`, `std`, `max`	沿轴归约

九、注意事项

区分 * 与 @：

A * B：逐元素相乘
A @ B：矩阵乘法

广播陷阱：

a = np.array([1, 2])
b = np.array([[1], [2]])
   print(a + b)  # shape (2,2) —— 小心意外广播！

整数溢出：

   x = np.array([200], dtype=np.uint8)
   print(x * 2)  # 144（200*2=400 → 溢出回绕）

除零警告：

np.seterr(divide='ignore', invalid='ignore')  # 控制警告行为

后续

本文主要讲述了numpy数组相关的运算。python过渡项目部分代码已经上传至gitee，后续会逐步更新，主要受时间原因限制，当然自己也可以克隆到本地学习拓展。

资料关注

公众号：咚咚王

《Python编程：从入门到实践》

《利用Python进行数据分析》

《算法导论中文第三版》

《概率论与数理统计（第四版） (盛骤) 》

《程序员的数学》

《线性代数应该这样学第3版》

《微积分和数学分析引论》

《（西瓜书）周志华-机器学习》

《TensorFlow机器学习实战指南》

《Sklearn与TensorFlow机器学习实用指南》

《模式识别（第四版）》

《深度学习 deep learning》伊恩·古德费洛著花书

《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》

《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》

《自然语言处理综论第2版》

《Natural-Language-Processing-with-PyTorch》

《计算机视觉-算法与应用(中文版)》

《Learning OpenCV 4》

《AIGC：智能创作时代》杜雨+&+张孜铭

《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》

《从零构建大语言模型（中文版）》

《实战AI大模型》

《AI 3.0》

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

人工智能

numpy

数据分析

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

人工智能

numpy

数据分析

登录后参与评论

0 条评论

热度

人工智能之数据分析 numpy：第九章 数组运算

人工智能之数据分析 numpy：第九章 数组运算

人工智能之数据分析 numpy

前言

一、基础算术运算（Element-wise Arithmetic）

1. 基本运算符（支持广播）

2. 广播（Broadcasting）示例

二、比较运算（Comparison）

多数组比较

三、逻辑运算（Logical Operations）

四、位运算（Bitwise Operations）

五、通用函数（ufunc: Universal Functions）

1. 常见数学 ufunc

2. 累积与聚合 ufunc

3. 自定义 ufunc（高级）

六、矩阵与线性代数（numpy.linalg）

Ⅰ. 矩阵乘法

np.matrix：历史遗留（已弃用）

1. 创建方式

2. 特点

3. ❌ 为什么被弃用？

✅ 推荐方式：使用二维 ndarray 表示矩阵

1. 创建矩阵（本质是 2D array）

2. 矩阵运算（使用标准 NumPy 函数和运算符）

示例：

常用矩阵操作汇总（基于 ndarray）

1. 基本属性

2. 特殊矩阵构造

3. 矩阵分解（numpy.linalg）

4. 范数与条件数

广播与矩阵运算的注意事项

1. 矩阵乘法维度必须匹配

2. 向量与矩阵相乘

实际应用示例

📌 示例 1：线性回归（最小二乘解）

📌 示例 2：图像仿射变换（旋转矩阵）

总结：矩阵操作最佳实践

Ⅱ. 常用线性代数函数（np.linalg）

示例：解线性方程组

示例：计算矩阵的 Frobenius 范数

七、其他重要运算

1. 聚合函数（Reduction）

2. 四舍五入

八、小结：运算类型速查表

九、注意事项

后续

资料关注

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之数据分析 numpy：第九章数组运算

人工智能之数据分析 numpy：第九章数组运算

六、矩阵与线性代数（`numpy.linalg`）

`np.matrix`：历史遗留（已弃用）

✅ 推荐方式：使用二维 `ndarray` 表示矩阵

常用矩阵操作汇总（基于 `ndarray`）

3. 矩阵分解（`numpy.linalg`）

Ⅱ. 常用线性代数函数（`np.linalg`）