1. 课程导入与环境准备

在开始学习 NumPy 的广播机制与向量化计算之前，我们需要先明确这门课要解决什么问题，以及用什么工具、按什么路线来学。NumPy 是 Python 科学计算的基础库，它的核心是 ndarray（N 维数组）对象。与 Python 原生列表不同，ndarray 在内存中连续存储同类型元素，并支持以 C 语言实现的逐元素运算。正是这一底层设计，让"向量化"成为可能：把原本需要 Python 循环逐项处理的运算，交给编译好的底层循环一次性完成，从而获得几十倍甚至上百倍的性能提升。

本课程的整体路线可以概括为"一条主线、三个层次"。主线是：形状（shape）如何决定运算能否进行、结果是什么形状。三个层次分别是：第一层，掌握数组创建与形状操作，能准确地"造出"和"改造"数组；第二层，理解广播规则，能判断任意两个形状能否广播、广播后的结果形状是什么；第三层，运用向量化思维重写循环代码，并结合聚合、条件筛选、索引等操作完成真实的数据处理任务。广播是"规则"，向量化是"目标"，数组创建与形状操作则是两者的共同基础。

安装与环境确认

推荐使用虚拟环境隔离依赖，避免与系统 Python 冲突。以 conda 为例：

conda create -n numpy-course python=3.11 -y
conda activate numpy-course
conda install numpy -y

若使用 pip，则执行 python -m venv venv 创建虚拟环境，激活后运行 pip install numpy。安装完成后，务必在 Python 交互环境中确认版本与基本能力：

import numpy as np
print(np.__version__)          # 例如 1.26.4
a = np.arange(6).reshape(2, 3)
print(a.shape, a.dtype)        # (2, 3) int64
print(a + 10)                  # 标量广播，逐元素加 10

如果 a + 10 能正常输出每个元素加 10 的结果，说明安装成功，且你已经完成了本课程的第一次广播运算——标量被"广播"到了整个数组。这里要特别注意 dtype：NumPy 数组的元素类型是统一的，整数与浮点数混合运算时会发生类型提升，例如 int64 数组与 float64 标量相加，结果类型为 float64。理解类型提升，是后续判断计算结果是否符合预期的重要前提。

数组创建的三种典型方式

实际工作中，数组来源大致分三类。第一类是"从已有数据构造"，如 np.array([1, 2, 3])、np.array([[1, 2], [3, 4]])，适合数据量小、需要精确指定内容的场景。第二类是"按规则生成"，如 np.zeros((3, 4))、np.ones((2, 3))、np.full((2, 2), 7)、np.arange(0, 10, 2)、np.linspace(0, 1, 5)，适合构造占位数组、坐标网格或等间隔采样点。第三类是"随机生成"，如 np.random.rand(2, 3) 生成 [0,1) 均匀分布，np.random.randn(2, 3) 生成标准正态分布，适合模拟数据和初始化参数。

创建时有两个容易踩坑的点。其一，np.zeros((3, 4)) 的参数是一个元组，写成 np.zeros(3, 4) 会报错；其二，np.arange 采用"左闭右开"区间，np.arange(0, 10, 2) 得到 [0, 2, 4, 6, 8]，不包含 10，而 np.linspace(0, 1, 5) 则包含端点，得到 5 个等距点。区间约定不一致，是初学阶段结果"差一个"的常见原因。

形状操作：广播的前置技能

广播规则完全建立在形状之上，因此必须熟练掌握查看与改造形状的操作。a.shape 返回形状元组，a.ndim 返回维数，a.size 返回元素总数。reshape 在不改变数据的前提下重排形状，要求元素总数一致，例如把 6 个元素重排为 (2, 3) 或 (3, 2) 都可以，重排为 (4, 2) 则会报错。ravel 与 flatten 都能把数组展平为一维，区别在于 ravel 尽量返回视图、flatten 总是返回副本，修改返回值时是否影响原数组由此不同。

另一个关键操作是"增删长度为 1 的维度"。a[np.newaxis, :] 或等价的 a[None, :] 可以在指定位置插入一个新轴，np.expand_dims(a, axis=0) 效果相同；np.squeeze(a) 则删除所有长度为 1 的维度。这两个操作是构造广播形状最直接的手段：一个形状为 (3,) 的一维数组，通过 a[:, None] 变成 (3, 1)，就能与形状 (1, 4) 的数组广播成 (3, 4) 的结果。下面的图示把本节的知识结构、关键操作与它们之间的依赖关系集中呈现出来，便于在动手前建立整体印象。

第一个可运行的练习

为了把上述知识串起来，可以完成一个最小练习：构造一个 3 行 4 列的数组，用一维行向量与一维列向量分别与它运算，观察结果形状与数值。示例参数如下（结果为按规则推演，非实测数据）：

import numpy as np

m = np.arange(12).reshape(3, 4)   # 形状 (3, 4)
row = np.array([10, 20, 30, 40])  # 形状 (4,)
col = np.array([1, 2, 3])[:, None]  # 形状 (3, 1)

print((m + row).shape)   # (3, 4)，每行加上 row
print((m + col).shape)   # (3, 4)，每列加上 col
print((m + row + col)[0])  # 第一行：0+10+1, 1+20+1, 2+30+1, 3+40+1

判断依据很直接：row 形状 (4,) 与 (3, 4) 从尾部对齐后，维度 4 与 4 相等，维度 3 缺失视为 1，因此兼容，结果形状 (3, 4)；col 形状 (3, 1) 与 (3, 4) 对齐后，3 与 3 相等、1 与 4 中有一为 1，同样兼容。若把 row 与 col 直接相加，形状 (4,) 与 (3, 1) 对齐后 4 与 1 兼容、缺失维与 3 兼容，结果反而是 (3, 4)——这说明广播结果并不总等于"看起来更宽"的那个数组，必须严格按规则推导。

环境就绪、路线清晰之后，后续内容将沿着"创建—变形—广播—向量化"的顺序逐步展开。请先确保你能独立完成数组创建、形状查看与 reshape，并能解释 a + 10 为什么不需要循环——这两点，是理解广播机制真正的起点。