3、NumPy基础：ndarray数组的创建、属性、数据类型与索引切片

NumPy（Numerical Python）是Python科学计算生态的基石，而Pandas底层的数据结构（Series和DataFrame）也大量依赖NumPy的ndarray数组。可以毫不夸张地说，没有扎实的NumPy功底，后续的Pandas数据处理、数据清洗和统计分析都将如履薄冰。本章将系统讲解ndarray数组的创建方式、核心属性（shape、dtype、size）、数据类型体系与转换规则，以及最关键的索引与切片操作。这些内容构成了数据分析中“数据容器”与“数据访问”两大基本功，掌握它们，你才能高效地操作批量数据，并为后续学习Pandas打下坚实基础。

上图清晰地展示了本章的知识体系：从创建数组开始，到理解其属性，再到数据类型管理，最后掌握索引切片技巧，并最终串联成一个完整的数据分析实战闭环。下面我们逐一深入每个模块。

3.1 ndarray数组的创建：从零构建你的数据容器

核心原理

ndarray（N-dimensional array）是NumPy中用于存储同质数据（即所有元素类型相同）的多维数组对象。与Python原生列表（list）不同，ndarray在内存中是连续存储的，这使得向量化运算成为可能，从而大幅提升计算性能。创建ndarray是数据分析的第一步，选择正确的创建方式直接影响后续操作的效率和代码的可读性。

操作流程与常用方法

NumPy提供了多种创建数组的途径，我们可以根据数据来源和需求选择合适的方法：

在实际操作中，np.array()是最灵活的方式，因为它允许我们从已有的Python数据结构直接转换。而np.arange()和np.linspace()则常用于生成连续数值序列，例如时间轴或坐标轴。

import numpy as np
# 实际销售量（单位：件）
sales_actual = np.array([120, 135, 98, 145, 160, 142, 130])
# 未来3天预测值初始化为0
sales_forecast = np.zeros(3, dtype=int)
print("实际销量:", sales_actual)
print("预测占位:", sales_forecast)
print("数据类型:", sales_actual.dtype, sales_forecast.dtype)

常见误区与总结

• 误区1：使用np.array()时传入不规则嵌套列表（如[[1,2],[3]]），会导致创建一维对象数组而非二维数组，后续运算会报错。
• 误区2：混淆np.arange()和np.linspace()。前者指定步长，后者指定数量，二者参数含义不同。
• 总结：创建数组时，先明确数据的维度（1D、2D还是更高维）和数据类型，再选择最简洁的创建函数。

3.2 ndarray核心属性：shape、dtype与size

核心原理

ndarray的三个核心属性——shape、dtype、size——分别描述了数组的“形状”、“类型”和“大小”。理解这三个属性是进行任何数组操作的前提。shape是一个元组，表示每个维度的大小；dtype定义了元素的存储类型，直接影响内存占用和计算精度；size则是所有维度大小的乘积，即元素总数。

属性详解与判断方法

• shape（形状）：例如(3, 4)表示3行4列的二维数组，(2, 3, 4)表示2个3×4的三维数组。可以通过ndim属性获取维度数量。
• dtype（数据类型）：常见的有int32、int64、float32、float64、bool等。默认情况下，Python整数会映射为int64，浮点数映射为float64。
• size（元素总数）：等于shape中所有数字的乘积，例如(3,4)的size为12。

案例拆解：销售数据体检

假设我们加载了一个包含4个季度、3个产品线的销售数据数组，需要快速了解其结构。

sales_data = np.array([[100, 150, 200],
                        [110, 160, 210],
                        [120, 170, 220],
                        [130, 180, 230]])
print("形状 shape:", sales_data.shape)   # (4, 3)
print("维度 ndim:", sales_data.ndim)     # 2
print("元素总数 size:", sales_data.size) # 12
print("数据类型 dtype:", sales_data.dtype) # int64

通过这一组属性，我们立即知道这是一个4行3列的二维数组，包含12个整数元素。这为后续按季度（行）或按产品（列）进行切片分析提供了基础。

常见误区与总结

• 误区：误以为size返回的是“行数”或“列数”，实际上它是所有元素的个数。
• 误区：忽略dtype导致的内存问题。例如，一个包含1000万个浮点数的数组，float64占用80MB，而float32仅占用40MB。在内存受限的环境中，合理选择dtype至关重要。
• 总结：每次创建或加载数组后，养成检查shape和dtype的习惯，这是数据质量检查的第一步。

3.3 数据类型与转换：精确控制你的数据精度

核心原理

NumPy的数据类型体系比Python原生类型更丰富，它支持不同位数的整数（int8、int16、int32、int64）、无符号整数（uint8等）、浮点数（float16、float32、float64）以及复数（complex64、complex128）。数据类型决定了数值的表示范围和精度。例如，int8的范围是-128到127，超出范围会导致溢出错误；float32的精度约为7位十进制数字，而float64约为15位。

转换方法与操作流程

使用astype()方法可以显式转换数据类型。转换时需要注意：

1. 从浮点转换为整数时，小数部分会被截断（不是四舍五入）。
2. 从大范围类型转换为小范围类型时，可能发生溢出或精度丢失。
3. 字符串类型（如'int32'）也可以作为astype()的参数。

prices = np.array([19.99, 25.50, 30.75])
prices_int = prices.astype(int)   # 截断为 [19, 25, 30]
prices_float32 = prices.astype('float32')  # 降低精度
print(prices_int, prices_float32.dtype)

案例拆解：图像数据处理中的类型转换

在图像处理中，像素值通常以uint8（0-255）存储。如果我们需要进行浮点运算（如归一化），必须先转换类型。

img_data = np.array([[255, 128, 0],
                      [64, 32, 16]], dtype=np.uint8)
# 归一化到[0,1]区间
img_normalized = img_data.astype(np.float64) / 255.0
print(img_normalized)
# 再转换回uint8用于显示
img_restored = (img_normalized * 255).astype(np.uint8)
print(img_restored)

这个案例展示了类型转换在数据预处理中的典型应用：先提升精度进行计算，再降回原始类型以节省存储空间。

常见误区与总结

• 误区：使用astype()时，原数组不会被修改，必须重新赋值。忘记赋值是常见错误。
• 误区：将字符串数组直接转换为数值类型时，如果字符串包含非数字字符（如"$100"），会抛出ValueError。需要先清洗数据。
• 总结：类型转换是数据预处理的核心环节，务必明确目标类型和转换规则，避免精度损失和溢出。

3.4 数组索引与切片：精准定位你的数据

核心原理

索引（Indexing）和切片（Slicing）是访问ndarray元素的核心手段。NumPy支持多种索引方式：整数索引、切片索引、布尔索引和花式索引（整数数组索引）。理解“视图（view）”与“副本（copy）”的区别是避免数据意外修改的关键。

操作流程与技巧

• 一维数组切片：arr[start:stop:step]，与Python列表切片规则一致。
• 多维数组索引：使用逗号分隔各维度的索引，例如arr[1, 2]表示第1行第2列的元素。
• 切片返回视图：对切片结果的修改会影响原数组，因为切片是原数组的引用（视图）。
• 布尔索引：通过条件表达式生成布尔数组，再作为索引，例如arr[arr > 5]。

data = np.array([[1, 2, 3, 4],
                  [5, 6, 7, 8],
                  [9, 10, 11, 12]])
# 提取第2行（索引为1）
row_2 = data[1, :]       # 视图
# 提取第1列和第3列的所有行
cols_1_3 = data[:, [0, 2]]
# 布尔索引：找出所有大于5的元素
mask = data > 5
filtered = data[mask]
print("第2行:", row_2)
print("第1和3列:\n", cols_1_3)
print("大于5的元素:", filtered)

monthly_sales = np.array([120, 135, 98, 145, 160, 142,
                           130, 155, 170, 165, 180, 190])
# 下半年切片
h2_sales = monthly_sales[6:12]
# 高销量月份布尔索引
high_sales = monthly_sales[monthly_sales > 150]
print("下半年销量:", h2_sales)
print("高销量月份数据:", high_sales)
# 注意：h2_sales是视图，修改它会影响原数组
h2_sales[0] = 0
print("原数组也被修改:", monthly_sales[6])  # 输出0

常见误区与总结

• 误区1：混淆视图与副本。对视图的修改会“污染”原数据，这在数据清洗时可能造成不可逆的错误。
• 误区2：在布尔索引中忘记加括号。例如arr[(arr > 5) & (arr < 10)]，如果写成arr[arr > 5 & arr < 10]会因运算符优先级问题报错。
• 误区3：使用链式索引（如arr[1][2]）虽然可行，但效率低于arr[1, 2]，且容易产生视图混淆。
• 总结：索引与切片是数据操作的“手术刀”，务必明确操作返回的是视图还是副本，并善用布尔索引进行条件筛选。