45 Common NumPy Operations with Code Examples

NumPy is a powerful Python library for scientific computing that provides support for multi‑dimensional arrays and a wide range of functions for mathematical, logical, shape, sorting, selection, linear algebra, statistics, and random operations.

Below are 45 frequently used NumPy operations, each accompanied by a brief description and a runnable code snippet.

1. Create array

import numpy as np
# 创建一个一维数组
arr = np.array([1, 2, 3])
print(arr)  # 输出: [1 2 3]

2. Transpose array

# 创建一个二维数组
arr = np.array([[1, 2], [3, 4]])
# 转置数组
transpose_arr = np.transpose(arr)
print(transpose_arr)  # 输出: [[1 3], [2 4]]

3. Create zero array

# 创建一个长度为 5 的零数组
zeros_arr = np.zeros(5)
print(zeros_arr)  # 输出: [0. 0. 0. 0. 0.]

4. Create ones array

# 创建一个长度为 5 的全一数组
ones_arr = np.ones(5)
print(ones_arr)  # 输出: [1. 1. 1. 1. 1.]

5. Create zero matrix

# 创建一个 3x3 的全零矩阵
zeros_matrix = np.zeros((3, 3))
print(zeros_matrix)
# 输出:
# [[0. 0. 0.]
#  [0. 0. 0.]
#  [0. 0. 0.]]

6. Create ones matrix

# 创建一个 3x3 的全一矩阵
ones_matrix = np.ones((3, 3))
print(ones_matrix)
# 输出:
# [[1. 1. 1.]
#  [1. 1. 1.]
#  [1. 1. 1.]]

7. Create empty array

# 创建一个长度为 5 的空数组
empty_arr = np.empty(5)
print(empty_arr)  # 输出: [未初始化的值]

8. Create array with specific value

# 创建一个 2x2 的数组，所有元素为 7
value_arr = np.full((2, 2), 7)
print(value_arr)
# 输出:
# [[7 7]
#  [7 7]]

9. Generate arithmetic sequence

# 生成从 10 到 20 的等差数列，步长为 2
arange_arr = np.arange(10, 20, 2)
print(arange_arr)  # 输出: [10 12 14 16 18]

10. Generate random numbers

# 生成一个长度为 3 的随机数组
random_arr = np.random.rand(3)
print(random_arr)  # 输出: [随机值]

11. Reshape array

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 改变数组的形状
shape_arr = arr.reshape(2, 2)
print(shape_arr)
# 输出:
# [[1 2]
#  [3 4]]

12. Get array dimensions

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 获取数组的维度
dimensions_arr = arr.ndim
print(dimensions_arr)  # 输出: 1

13. Get array size

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 获取数组的大小
size_arr = arr.size
print(size_arr)  # 输出: 4

14. Access element

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 获取数组的第三个元素
element_arr = arr[2]
print(element_arr)  # 输出: 3

15. Set element

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 设置数组的第三个元素为 5
arr[2] = 5
print(arr)  # 输出: [1 2 5 4]

16. Check membership

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 判断 3 是否在数组中
in_arr = 3 in arr
print(in_arr)  # 输出: True

17. Slice array

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 获取数组的第二个和第三个元素
slice_arr = arr[1:3]
print(slice_arr)  # 输出: [2 3]

18. Concatenate arrays

# 创建两个一维数组
arr1 = np.array([1, 2])
arr2 = np.array([3, 4])
# 拼接两个数组
concatenate_arr = np.concatenate((arr1, arr2))
print(concatenate_arr)  # 输出: [1 2 3 4]

19. Split array

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 将数组分成两部分
split_arr = np.split(arr, 2)
print(split_arr)  # 输出: [array([1, 2]), array([3, 4])]

20. Add arrays

# 创建两个一维数组
arr1 = np.array([1, 2])
arr2 = np.array([3, 4])
# 添加两个数组
add_arr = np.add(arr1, arr2)
print(add_arr)  # 输出: [4 6]

21. Subtract arrays

# 创建两个一维数组
arr1 = np.array([5, 6])
arr2 = np.array([3, 4])
# 相减两个数组
subtract_arr = np.subtract(arr1, arr2)
print(subtract_arr)  # 输出: [2 2]

22. Multiply arrays

# 创建两个一维数组
arr1 = np.array([2, 3])
arr2 = np.array([4, 5])
# 乘法两个数组
multiply_arr = np.multiply(arr1, arr2)
print(multiply_arr)  # 输出: [8 15]

23. Divide arrays

# 创建两个一维数组
arr1 = np.array([10, 20])
arr2 = np.array([5, 10])
# 除法两个数组
divide_arr = np.divide(arr1, arr2)
print(divide_arr)  # 输出: [2. 2.]

24. Floor divide arrays

# 创建两个一维数组
arr1 = np.array([10, 20])
arr2 = np.array([5, 10])
# 取整除法两个数组
floor_divide_arr = np.floor_divide(arr1, arr2)
print(floor_divide_arr)  # 输出: [2 2]

25. Square root

# 创建一个一维数组
arr = np.array([4, 9])
# 计算数组的平方根
sqrt_arr = np.sqrt(arr)
print(sqrt_arr)  # 输出: [2. 3.]

26. Sum of array

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 计算数组的和
sum_arr = np.sum(arr)
print(sum_arr)  # 输出: 10

27. Mean of array

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 计算数组的平均值
mean_arr = np.mean(arr)
print(mean_arr)  # 输出: 2.5

28. Max of array

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 计算数组的最大值
max_arr = np.max(arr)
print(max_arr)  # 输出: 4

29. Min of array

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 计算数组的最小值
min_arr = np.min(arr)
print(min_arr)  # 输出: 1

30. Sort array

# 创建一个一维数组
arr = np.array([3, 2, 1, 4])
# 对数组进行排序
sort_arr = np.sort(arr)
print(sort_arr)  # 输出: [1 2 3 4]

31. Flip array

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 翻转数组
flip_arr = np.flip(arr)
print(flip_arr)  # 输出: [4 3 2 1]

32. Reverse array

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 逆序数组
reverse_arr = arr[::-1]
print(reverse_arr)  # 输出: [4 3 2 1]

33. Cumulative sum

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 计算数组的累积和
cumsum_arr = np.cumsum(arr)
print(cumsum_arr)  # 输出: [1 3 6 10]

34. Cumulative product

# 创建一个一维数组
arr = np.array([1, 2, 3, 4])
# 计算数组的累积积
cumprod_arr = np.cumprod(arr)
print(cumprod_arr)  # 输出: [1 2 6 24]

35. Count non‑zero elements

# 创建一个一维数组
arr = np.array([0, 1, 0, 3])
# 计算数组中非零元素的数量
nonzero_count_arr = np.count_nonzero(arr)
print(nonzero_count_arr)  # 输出: 2

36. Indices of non‑zero elements

# 创建一个一维数组
arr = np.array([0, 1, 0, 3])
# 获取数组中非零元素的索引
nonzero_indices_arr = np.nonzero(arr)
print(nonzero_indices_arr)  # 输出: (array([1, 3]),)

37. Unique elements

# 创建一个一维数组
arr = np.array([1, 2, 3, 2, 1])
# 获取数组中的唯一元素
unique_arr = np.unique(arr)
print(unique_arr)  # 输出: [1 2 3]

38. Element frequency (histogram)

# 创建一个一维数组
arr = np.array([1, 2, 3, 2, 1])
# 计算数组中元素的频率
histogram_arr = np.histogram(arr, bins=3)
print(histogram_arr)  # 输出: (array([2, 2, 1]), array([1., 1.66666667, 2.33333333, 3. ]))

39. Inverse matrix

# 创建一个二维数组
arr = np.array([[1, 2], [3, 4]])
# 计算数组的逆矩阵
inverse_arr = np.linalg.inv(arr)
print(inverse_arr)
# 输出:
# [[-2.   1. ]
#  [ 1.5 -0.5]]

40. Eigenvalues and eigenvectors

# 创建一个二维数组
arr = np.array([[1, 2], [3, 4]])
# 计算数组的特征值和特征向量
eigenvalues_arr, eigenvectors_arr = np.linalg.eig(arr)
print(eigenvalues_arr)  # 输出: [5.37228132 -0.37228132]
print(eigenvectors_arr)
# 输出:
# [[ 0.41597356 -0.82456484]
#  [ 0.90937671  0.56576746]]

41. Singular value decomposition

# 创建一个二维数组
arr = np.array([[1, 2], [3, 4]])
# 计算数组的奇异值分解
u_arr, s_arr, vh_arr = np.linalg.svd(arr)
print(u_arr)
# 输出:
# [[-0.40455358 -0.9145143 ]
#  [-0.9145143   0.40455358]]
print(s_arr)  # 输出: [5.4649857  0.36596619]
print(vh_arr)
# 输出:
# [[-0.57604844 -0.81741556]
#  [-0.81741556  0.57604844]]

42. Solve linear system

# 创建一个二维数组和一个一维数组
A = np.array([[1, 2], [3, 4]])
b = np.array([5, 6])
# 求解线性方程组 Ax = b
x_arr = np.linalg.solve(A, b)
print(x_arr)  # 输出: [-4.  4.5]

43. Determinant

# 创建一个二维数组
arr = np.array([[1, 2], [3, 4]])
# 计算数组的行列式
determinant_arr = np.linalg.det(arr)
print(determinant_arr)  # 输出: -2.0

44. Norm

# 创建一个一维数组
arr = np.array([1, 2, 3])
# 计算数组的范数
norm_arr = np.linalg.norm(arr)
print(norm_arr)  # 输出: 3.7416573867739413

45. Rank

# 创建一个二维数组
arr = np.array([[1, 2], [3, 4]])
# 计算数组的秩
rank_arr = np.linalg.matrix_rank(arr)
print(rank_arr)  # 输出: 2

These examples demonstrate how NumPy can be used for a wide range of array manipulations and numerical computations, enabling efficient algorithm development in scientific and data‑analysis projects.