NumPy是Python科学计算的基石。做机器人开发，处理传感器数据、做矩阵运算、跑算法原型，几乎离不开它。面试的时候，如果岗位涉及Python开发，NumPy是必考内容。

先说个对比。

C++里做矩阵运算，你可能会用Eigen。Python里对应的就是NumPy。Eigen的Matrix类型，在NumPy里是ndarray。Eigen有矩阵乘法、求逆、特征值分解，NumPy全都有。

但NumPy比Eigen更通用——它不只是矩阵库，而是一个多维数组处理框架。图像数据是三维数组（高x宽x通道），点云是二维数组（Nx3），时间序列是一维数组。NumPy统一处理这些数据格式。

ndarray：NumPy的核心对象

NumPy的核心是ndarray——N维数组。和Python原生的list相比，ndarray有两个关键优势。

第一，内存连续。ndarray在内存中是连续存储的，和C的数组一样。这意味着CPU缓存命中率高，遍历速度快。Python的list存的是对象指针，每个元素散落在堆内存的不同位置。

第二，向量化运算。ndarray支持逐元素运算，不需要写循环：

import numpy as npa = np.array([1.0, 2.0, 3.0])b = np.array([4.0, 5.0, 6.0])c = a + b        # [5.0, 7.0, 9.0]d = a * b        # [4.0, 10.0, 18.0]e = np.dot(a, b) # 32.0 点积

同样的操作，如果用Python list写，需要for循环或者列表推导式。NumPy的向量化运算底层是C实现，比纯Python快几十倍甚至上百倍。

创建数组的几种方式

# 从list创建arr = np.array([1, 2, 3, 4])# 常用工厂函数zeros = np.zeros((3, 4))       # 3x4全零矩阵ones = np.ones((2, 3))         # 2x3全一矩阵eye = np.eye(3)                # 3x3单位矩阵rand = np.random.rand(3, 4)    # 3x4随机矩阵# 等差序列linspace = np.linspace(0, 1, 100)  # 0到1之间100个均匀点arange = np.arange(0, 10, 0.5)     # 0到10，步长0.5

在机器人开发中，np.zeros常用于初始化缓冲区，np.linspace常用于生成轨迹插值点，np.eye常用于构造变换矩阵。

数组操作：reshape、切片、广播

reshape——改变数组形状但不改变数据：

# 一个12元素的一维数组flat = np.arange(12)# 变成3x4的矩阵matrix = flat.reshape(3, 4)# 变成2x2x3的三维数组tensor = flat.reshape(2, 2, 3)# -1表示自动推断维度matrix2 = flat.reshape(3, -1)  # 等价于reshape(3, 4)

切片——和Python list类似但更强大：

data = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])data[0, :]     # 第一行: [1, 2, 3]data[:, 1]     # 第二列: [2, 5, 8]data[0:2, 1:]  # 子矩阵: [[2, 3], [5, 6]]

注意：NumPy的切片返回的是视图（view），不是拷贝。修改视图会改变原数组。如果需要独立的副本，用.copy()：

sub = data[0:2, :].copy()  # 独立副本

广播（broadcasting）——不同形状的数组之间做运算：

# 一个3x4矩阵加上一个长度为4的向量matrix = np.ones((3, 4))vector = np.array([1, 2, 3, 4])result = matrix + vector  # 自动广播，每行都加上vector

广播规则是：两个数组的维度从右往左对齐，每个维度要么相等，要么其中一个是1。不满足规则会报ValueError。

数学运算和统计

data = np.random.rand(1000)# 统计mean = np.mean(data)std = np.std(data)max_val = np.max(data)min_val = np.min(data)# 矩阵运算A = np.random.rand(3, 3)B = np.random.rand(3, 3)C = A @ B          # 矩阵乘法（等价于np.dot(A, B)）A_inv = np.linalg.inv(A)   # 求逆eigenvalues = np.linalg.eig(A)  # 特征值分解

@运算符是Python 3.5引入的矩阵乘法符号，比np.dot更直观。

数据类型和内存

NumPy数组是同质（homogeneous）的——所有元素必须是同一类型。这和Python list不同，list可以混合存放不同类型。

arr_float64 = np.array([1.0, 2.0], dtype=np.float64)  # 默认arr_float32 = np.array([1.0, 2.0], dtype=np.float32)  # 省内存arr_int32 = np.array([1, 2, 3], dtype=np.int32)

在机器人系统中，如果精度要求高（比如SLAM中的位姿估计），用float64；如果数据量大但对精度要求不高（比如点云可视化），用float32可以省一半内存。

另一个值得注意的点：NumPy默认是C顺序（行优先），和C++一样。但Fortran顺序（列优先）在某些线性代数运算中更高效。用order='F'可以指定。如果你从Fortran或MATLAB迁移过来，这个设置很重要。

NumPy常见踩坑记录

新手用NumPy最容易犯的错误之一是"切片修改了原数组"。a = np.array([1,2,3]); b = a[:2]; b[0] = 99，结果a也变了。这是因为b是a的视图，不是副本。解决方式是显式.copy()。但在大数组上频繁copy会影响性能，所以要在"安全"和"效率"之间取舍。

另一个坑是"整数溢出"。np.array([200], dtype=np.int8) + np.array([100], dtype=np.int8)的结果不是300而是-56，因为int8的范围是-128到127。NumPy不会像Python那样自动提升精度，溢出是静默发生的。处理传感器数据时，建议统一用float64或者明确检查数据范围，避免这种隐蔽的bug。

和机器人开发的联系

在机器人开发中，NumPy的使用场景非常多。传感器数据处理——激光雷达的扫描数据就是一个Nx2或Nx3的数组，用NumPy做滤波、变换非常方便。坐标变换——旋转矩阵、平移向量都是NumPy数组，矩阵乘法一步搞定。轨迹生成——用linspace生成时间序列，用向量化运算计算每个时刻的位置。

后面聊Eigen的时候我们用过C++做这些运算。在Python里，NumPy就是Eigen的替代品。区别是NumPy更快（原型开发阶段），Eigen更适合生产部署。

说到性能优化，面试中经常被问到的一点是：为什么NumPy比纯Python快？核心原因有三个：一是连续内存带来的缓存友好性，二是向量化操作避免了Python解释器的循环开销，三是底层C实现使用了高度优化的BLAS库。理解了这三点，面试时回答这个问题就不会只停留在因为用C写的这个表面答案了。

更多相关技术内容咨询欢迎前往并持续关注好学星城论坛了解详情。

想高效系统的学习Python编程语言，推荐大家关注一个微信公众号：Python编程学习圈。每天分享行业资讯、技术干货供大家阅读，关注即可免费领取整套Python入门到进阶的学习资料以及教程，感兴趣的小伙伴赶紧行动起来吧。