NumPy的核心优势在于高效数组计算和向量化操作，支持广播、布尔索引、轴向聚合等机制，大幅提升性能与可读性。

NumPy 的核心优势在于高效数组计算和向量化操作——它让原本需要循环的逐元素运算，变成一行代码就能完成的批量处理，速度快、代码简、可读性强。

数组创建与基础属性

掌握数组的生成方式和关键属性是向量化操作的前提。常用创建方式包括 np.array()（从列表/元组转换）、np.zeros()、np.ones()、np.arange() 和 np.linspace()。

• shape 返回维度大小，如 (3, 4) 表示 3 行 4 列
• dtype 指明数据类型，如 int64 或 float32，影响内存占用和计算精度
• ndim 表示数组维数，标量为 0，一维数组为 1，二维为 2
• 修改 reshape() 可在不复制数据的前提下改变结构，例如 a.reshape(2, -1) 自动推导列数

向量化运算：告别 for 循环

NumPy 对数组直接支持加减乘除、幂、三角函数等运算，这些操作自动广播到每个元素，底层用 C 实现，远快于 Python 循环。

• 两个相同形状数组相加：a + b 是逐元素相加，不是拼接
• 标量与数组运算会自动广播，如 a * 2.5 把每个元素乘以 2.5
• 不同形状数组也可运算，只要满足广播规则（从后往前比对维度，某维为 1 或相等即可），例如 (4, 1) 数组可与 (1, 3) 相加，结果为 (4, 3)
• 常用向量化函数：np.sin()、np.exp()、np.log()、np.maximum(a, b)

索引、切片与布尔索引

灵活选取数据是分析的关键，NumPy 提供多种高效索引方式，全部返回视图（不复制数据），节省内存。

• 普通切片如 a[1:4, 2] 支持步长、负索引，且修改会影响原数组
• 整数数组索引可按指定顺序提取行或列，如 a[[0, 2, 1]] 重排第 0、2、1 行
• 布尔索引最实用：用条件表达式生成 True/False 数组，直接筛选，如 a[a > 0] 取所有正数；a[(a > 1) & (a 注意用 & 而非 and
• np.where() 可返回满足条件的索引位置，也支持三元选择：np.where(a > 0, a, 0) 将负数变 0

聚合函数与轴向操作

统计类计算（如求和、均值、最大值）默认作用于整个数组，但通过 axis 参数可指定沿哪一维进行，这是多维数据分析的核心。

• axis=0 表示按列操作（压缩行），axis=1 表示按行操作（压缩列）
• 例如二维数组 b，b.sum(axis=0) 返回每列之和，长度等于列数
• 常用函数都支持 axis 和 keepdims=True（保持维度，方便后续广播）
• np.argmax() 和 np.argmin() 返回最大/最小值的索引位置，配合 axis 可定位每行最大值所在列号

向量化不是炫技，而是 NumPy 发挥性能和表达力的基础。写好数组形状、理解广播机制、善用布尔索引和轴向聚合，就能把多数数据分析任务从繁琐循环中解放出来。