跳到主要内容

NumPy

问题​

NumPy 的 ndarray 和 Python 列表有什么区别？广播机制是什么？

答案​

ndarray vs list​

import numpy as np

# Python list：元素类型可不同，存储为指针数组
py_list = [1, 2.0, "three"]

# ndarray：同类型、连续内存、支持向量化运算
arr = np.array([1, 2, 3, 4], dtype=np.float64)
特性Python listNumPy ndarray
类型任意混合单一类型（dtype）
内存指针数组连续内存块
运算逐元素循环向量化（C 实现）
速度慢快 10-100x

向量化运算​

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

# 逐元素运算（无需 for 循环）
c = a + b          # [5, 7, 9]
d = a * b          # [4, 10, 18]
e = np.dot(a, b)   # 32（点积）

# 矩阵运算
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
C = A @ B  # 矩阵乘法

广播（Broadcasting）​

当两个数组形状不同时，NumPy 自动扩展维度：

# 规则：从右对齐，维度为 1 或相等才能广播
a = np.array([[1, 2, 3],    # shape (2, 3)
              [4, 5, 6]])
b = np.array([10, 20, 30])  # shape (3,) → 广播为 (2, 3)

c = a + b
# [[11, 22, 33],
#  [14, 25, 36]]

常用操作​

# 形状操作
arr = np.arange(12)           # [0, 1, ..., 11]
matrix = arr.reshape(3, 4)    # 3x4 矩阵
flat = matrix.ravel()         # 展平

# 索引与切片
matrix[0, :]       # 第一行
matrix[:, 1]       # 第二列
matrix[matrix > 5] # 布尔索引

# 聚合
matrix.sum(axis=0)  # 按列求和
matrix.mean(axis=1) # 按行求均值

常见面试问题​

Q1: NumPy 为什么快？​

答案：

  1. 连续内存：数据紧密排列，CPU 缓存命中率高
  2. C 实现：核心运算用 C/Fortran 编写，无 Python 解释器开销
  3. SIMD 指令：利用 CPU 向量化指令并行处理多个数据
  4. 避免循环：向量化操作替代 Python for 循环

Q2: copy() 和 view() 的区别？​

答案：

a = np.array([1, 2, 3, 4])
b = a[1:3]      # view（浅拷贝，共享内存）
c = a[1:3].copy()  # 深拷贝

b[0] = 99
print(a)  # [1, 99, 3, 4]——a 也变了

Q3: C-order 和 F-order 的区别？​

答案：

  • C-order（行优先，默认）：同一行的元素在内存中连续
  • F-order（列优先）：同一列的元素在内存中连续

遍历时按内存顺序访问性能最好。NumPy 默认 C-order，与 Python 的行循环习惯一致。

相关链接​