NumPy 的难点通常不是记住函数名，而是准确判断数组的形状、轴、索引结果和数据类型。数组看似只是一个数字表格，但一次 axis 选择、一次广播或一个布尔掩码，就可能改变计算的范围与结果。
下面围绕数组、轴、广播、索引、掩码和数据类型，建立一套可以直接运行验证的思考方法。
先看形状，再看数值
阅读 NumPy 代码时，先写出每个数组的 shape，再推导结果。对于二维数组，shape 通常写成 (行数, 列数)：
import numpy as np
scores = np.array([
[82, 91, 76],
[88, 79, 95],
])
print(scores.shape) # (2, 3)
print(scores.ndim) # 2
print(scores.size) # 6
这里有 2 行、3 列，共 6 个元素。ndim 表示维度数量，不是元素数量。
索引会不会保留维度，是一个常见分界点：
print(scores[0].shape) # (3,)
print(scores[0:1].shape) # (1, 3)
print(scores[:, 1].shape) # (2,)
print(scores[:, 1:2].shape) # (2, 1)
整数索引通常会移除被选中的轴，切片则通常保留该轴。这个区别会直接影响后续广播和矩阵运算。
axis 到底消掉了哪一维
理解聚合操作时，可以把 axis 读成“沿着这条轴计算，并在结果中消掉它”。
import numpy as np
sales = np.array([
[10, 20, 30],
[40, 50, 60],
])
print(sales.sum()) # 210
print(sales.sum(axis=0)) # [50 70 90]
print(sales.sum(axis=1)) # [ 60 150]
原数组形状是 (2, 3)：
axis=0消掉第 0 维，结果形状为(3,)，得到每一列的总和。axis=1消掉第 1 维，结果形状为(2,)，得到每一行的总和。
需要保留维度以便继续广播时，可以使用 keepdims=True：
row_mean = sales.mean(axis=1, keepdims=True)
print(row_mean)
# [[20.]
# [50.]]
centered = sales - row_mean
print(centered)
# [[-10. 0. 10.]
# [-10. 0. 10.]]
row_mean 的形状是 (2, 1)，因此它可以逐行扩展到 (2, 3)。如果省略 keepdims=True，均值的形状会变成 (2,)，无法按预期与 (2, 3) 对齐。
广播不是复制，而是形状兼容
广播允许不同形状的数组参与逐元素运算。判断时从形状的最右侧开始比较，每一维必须满足以下条件之一：
- 两个维度相等；
- 其中一个维度是
1； - 某一侧缺少该维度，可视为
1。
下面的例子为每一列增加不同的偏移量：
import numpy as np
measurements = np.array([
[1.0, 2.0, 3.0],
[4.0, 5.0, 6.0],
])
offset = np.array([0.1, 0.2, 0.3])
adjusted = measurements + offset
print(adjusted)
# [[1.1 2.2 3.3]
# [4.1 5.2 6.3]]
measurements 的形状是 (2, 3)，offset 的形状是 (3,)。从右向左比较时，两个数组最后一维都是 3，因此 offset 可以用于每一行。
如果想给每一行增加不同的值，需要显式构造 (2, 1)：
row_offset = np.array([100, 200])[:, np.newaxis]
print((measurements + row_offset).shape) # (2, 3)
print(measurements + row_offset)
遇到广播错误时，不要反复尝试转置。先打印参与运算的形状，再决定应该用切片、np.newaxis 还是 reshape 表达真实意图。
索引与掩码：筛选结果会变成什么形状
布尔掩码适合表达数据条件。比较操作会生成一个与原数组形状相同的布尔数组：
import numpy as np
temperatures = np.array([18.5, 21.0, 27.3, 16.8, 30.1])
mask = temperatures >= 25
print(mask)
# [False False True False True]
hot = temperatures[mask]
print(hot) # [27.3 30.1]
多个条件需要使用逐元素运算符 &、| 和 ~，并给每个比较表达式加括号：
comfortable = temperatures[
(temperatures >= 18) & (temperatures <= 27)
]
print(comfortable) # [18.5 21. ]
不能在这里使用 Python 的 and，因为 and 要求把整个数组解释为一个布尔值，而 NumPy 条件通常包含多个布尔元素。
二维数组使用布尔掩码时还要注意：对整个数组应用同形状掩码，筛选结果通常会被收集成一维数组。
matrix = np.array([[1, 8, 3], [9, 2, 7]])
selected = matrix[matrix > 5]
print(selected) # [8 9 7]
print(selected.shape) # (3,)
如果目标是保留原形状，可以使用 np.where：
kept_shape = np.where(matrix > 5, matrix, 0)
print(kept_shape)
# [[0 8 0]
# [9 0 7]]
数据类型会影响结果，而不只是内存
NumPy 数组通常具有统一的 dtype。混合整数和浮点数时，NumPy 会选择能够容纳这些值的公共类型：
import numpy as np
values = np.array([1, 2, 3.5])
print(values.dtype) # 通常为 float64
类型转换需要留意截断和溢出：
prices = np.array([19.9, 20.1, 255.8])
print(prices.astype(np.int32))
# [ 19 20 255]
浮点数转整数会截掉小数部分，并不是四舍五入。如果业务含义需要四舍五入，应先明确执行：
rounded = np.rint(prices).astype(np.int32)
print(rounded) # [ 20 20 256]
无符号小整数尤其需要谨慎。它们节省内存，但可表示范围有限，不适合未经检查的算术计算。
一份可直接运行的综合练习
将下面内容保存为 numpy_practice.py，先预测每个结果，再运行核对。环境中若尚未安装 NumPy，可执行 python -m pip install numpy。
import numpy as np
x = np.array([
[2, 4, 6],
[1, 3, 5],
], dtype=np.float64)
column_mean = x.mean(axis=0, keepdims=True)
normalized = x - column_mean
mask = normalized > 0
print("shape:", x.shape)
print("column mean:\n", column_mean)
print("normalized:\n", normalized)
print("positive values:", normalized[mask])
print("result dtype:", normalized.dtype)
assert column_mean.shape == (1, 3)
assert normalized.shape == x.shape
assert mask.dtype == np.bool_
assert np.allclose(normalized.sum(axis=0), 0)
运行命令：
python numpy_practice.py
这段练习同时覆盖了二维数组、列方向聚合、维度保留、广播、布尔掩码、浮点类型和数值断言。
建立稳定的 NumPy 排错顺序
面对不熟悉的 NumPy 表达式，可以依次检查：
- 写出每个输入的
shape、ndim和dtype。 - 判断整数索引是否移除了某个轴。
- 对聚合操作确认
axis消掉的是哪一维。 - 从最右侧比较广播维度。
- 区分“筛选元素”和“保持原形状替换元素”。
- 在类型转换前确认截断、范围和精度是否符合业务含义。
- 用
assert和np.allclose验证形状与数值不变量。
NumPy 基础是否扎实，不取决于记住多少 API，而取决于能否在运行代码前推导形状、轴和类型。把这些推导写成小实验和断言，数据处理代码会更容易阅读，也更不容易产生隐蔽错误。