与Python原生列表相比，NumPy数组具有以下关键特性：

• 固定大小 - 创建后大小不可改变
• 同质数据类型 - 所有元素类型相同
• 高效内存使用 - 连续内存块存储
• 矢量化操作 - 避免显式循环
• 丰富的数学函数 - 内置高效数学运算

数组维度示例：

性能对比

计算100万个元素的平方和：

• Python列表: ~150ms
• NumPy数组: < 1ms

* 性能提升达100倍以上

核心优势

• 高效内存使用 - 连续内存布局
• 矢量化操作 - 避免Python循环
• 广播机制 - 不同形状数组的运算
• 丰富的API - 线性代数、傅里叶变换等
• 其他库的基础 - Pandas、SciPy、Scikit-learn等

核心属性

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

print("维度数量:", arr.ndim)  # 2
print("形状:", arr.shape)    # (2, 3)
print("元素总数:", arr.size)  # 6
print("数据类型:", arr.dtype) # int64
print("每个元素字节大小:", arr.itemsize) # 8

属性说明

• ndim - 数组维度（轴数）
• shape - 数组形状（各维度大小）
• size - 数组元素总数
• dtype - 数组元素数据类型
• itemsize - 每个元素占字节数
• nbytes - 数组总字节数 (size * itemsize)
• flags - 数组内存布局信息

形状操作

arr = np.arange(6)  # [0, 1, 2, 3, 4, 5]

# 改变形状
arr2d = arr.reshape(2, 3)

# 转置
arr_t = arr2d.T

# 展平
flattened = arr2d.flatten()

# 调整大小
resized = np.resize(arr, (3, 3))

数组组合

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

# 垂直堆叠
v_stack = np.vstack((a, b))

# 水平堆叠
h_stack = np.hstack((a, b.T))

# 深度堆叠
d_stack = np.dstack((a, a))

基本运算

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

# 元素级运算
print(a + b)  # [5, 7, 9]
print(a * b)  # [4, 10, 18]
print(a ** 2) # [1, 4, 9]

# 矩阵乘法
mat_a = np.array([[1, 2], [3, 4]])
mat_b = np.array([[5, 6], [7, 8]])
print(np.dot(mat_a, mat_b))
# 输出：[[19, 22],
#        [43, 50]]

统计函数

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

# 求和
print(np.sum(arr))        # 21
print(np.sum(arr, axis=0)) # [9, 12] (列求和)
print(np.sum(arr, axis=1)) # [3, 7, 11] (行求和)

# 其他统计
print("平均值:", np.mean(arr))
print("标准差:", np.std(arr))
print("最大值:", np.max(arr))
print("最小值:", np.min(arr))
print("中位数:", np.median(arr))