NumPy 入门与数组创建

NumPy 是 Python 科学计算和数据分析的基础包，也是后续 Pandas 的底层依赖。

---

为什么量化投资需要 NumPy？

问题：批量数值运算

已知若干家跨国公司的市值（美元），把它们全部换算为人民币：

import numpy as np

# 模拟 50 家公司的美元市值
import random
a = [random.uniform(100, 200) for _ in range(50)]

# ❌ 原生 Python：需要循环或列表推导
rate = 6.8
b = [x * rate for x in a]

# ✅ NumPy：直接向量化运算
a_arr = np.array(a)
b_arr = a_arr * 6.8   # 一行搞定！

购物车总价：已知每种商品的价格和数量，求总金额：

prices = np.array([random.uniform(10, 20) for _ in range(50)])
quantities = np.array([random.randint(5, 10) for _ in range(50)])
total = np.sum(prices * quantities)  # 逐项相乘再求和

NumPy 的核心价值：批量数据运算时不用写循环，代码简洁且比原生 Python 快 10-100 倍。

其他可选工具对比：

工具	特点	局限
Excel	手工操作	无编程能力
SAS/SPSS	统计功能丰富	无编程，灵活性差
R 语言	数据分析专用	应用面窄，只限数据分析

Python 学一门语言，各方面都能用——NumPy / Pandas / Matplotlib 构成数据科学三大支柱。

---

ndarray —— NumPy 的核心数据结构

ndarray（N-dimensional array）是多维数组对象。

import numpy as np   # 官方推荐的导入方式
a = np.array([1, 2, 3, 4, 5])

ndarray vs Python 列表

特性	Python 列表	ndarray
元素类型	可混用不同类型	必须相同类型
大小	可动态增删	创建后大小固定

这两个限制来自底层 C 语言内存结构，也正是 NumPy 高效的原因。

常用属性

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

print(a.dtype)   # int64 —— 元素类型
print(a.size)    # 6 —— 总元素个数
print(a.shape)   # (2, 3) —— 几行几列
print(a.ndim)    # 2 —— 维度数

dtype 数据类型：

类型	说明
int8, int16, int32, int64	有符号整数
uint8 ... uint64	无符号整数（只能 ≥0）
float16, float32, float64	浮点数
bool_	布尔型

默认 float64——因为大部分运算涉及除法，小数更安全。可用 dtype 参数指定类型。

转置 T：

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

理解多维数组

• 一维：一条线，shape=(n,)
• 二维：一张纸（行列），shape=(行, 列)
• 三维：一叠纸（页×行×列），shape=(页, 行, 列)

a3d = np.array([[[1,2,3],[4,5,6]], [[7,8,9],[10,11,12]]])
print(a3d.shape)  # (2, 2, 3) → 2页，每页2行3列

---

创建数组的多种方法

从列表创建

np.array([1, 2, 3, 4])           # 一维
np.array([[1, 2], [3, 4]])       # 二维

全零 / 全一 / 空数组

np.zeros(10)                      # 10 个 0.（默认 float64）
np.zeros(10, dtype=int)           # 10 个 0 （指定整数）
np.ones(5)                        # 5 个 1.
np.empty(100)                     # 只申请内存，不初始化

np.empty 少一步清零操作，速度快。适用于之后会完全覆盖所有值的情况。里面的值是内存残留的随机数。

等差数列 —— arange

np.arange(0, 10, 2)      # [0 2 4 6 8] —— 起始、结束、步长
np.arange(0, 1, 0.1)     # 步长可为小数！（原生 range 做不到）

等间距分割 —— linspace

np.linspace(0, 10, 101)  # 起始、结束、份数
# 0 到 10 分成 101 份（含两端），相邻间隔相等

	arange	linspace
第三参数	步长	元素个数
包含终点	❌	✅
典型用途	按步长生成	画函数图像（等距采样）

linspace 绘制函数图像：

import matplotlib.pyplot as plt

x = np.linspace(-10, 10, 10000)
y = x ** 2
plt.plot(x, y)     # 点足够密→看起来是平滑曲线
plt.show()

其他方法

np.eye(3)              # 单位矩阵（对角为1，其余为0）

# reshape 变形
a = np.arange(15)      # 一维 0-14
b = a.reshape(3, 5)    # 变成 3行5列