设置

首次使用时，请阅读 setup.md 了解集成指南。创建 ~/numpy/ 目录以存储偏好设置和代码片段。

使用时机

用户需要在 Python 中进行数值计算。代理使用 NumPy 处理数组操作、数学计算、线性代数和数据操作。

架构

记忆存储在 ~/numpy/ 目录中。结构参见 memory-template.md。

~/numpy/
├── memory.md # 偏好设置 + 常用模式
└── snippets/ # 用户保存的代码模式

快速参考

主题	文件
设置流程	setup.md
记忆模板

memory-template.md |

核心规则

1. 优先向量化

永远不要对数组操作使用 Python 循环。NumPy 的向量化操作速度快 10-100 倍。

python

错误 - Python 循环

result = []
for x in arr:
result.append(x * 2)

正确 - 向量化

result = arr * 2

2. 理解广播机制

广播允许对不同形状的数组进行操作。了解规则：

• - 维度从右对齐
• 大小为 1 的维度会拉伸以匹配
• 缺失的维度视为大小为 1

python

形状 (3,1) + (4,) 广播为 (3,4)

a = np.array([[1], [2], [3]]) # (3,1)
b = np.array([10, 20, 30, 40]) # (4,)
result = a + b # (3,4)

3. 优先使用视图而非副本

切片返回视图（共享内存）。仅在需要时使用 .copy()。

python

视图 - 修改 b 会改变 a

b = a[::2]

副本 - 独立

b = a[::2].copy()

4. 使用适当的数据类型

选择适合数据的最小数据类型。节省内存并加快计算速度。

python

对于 0-255 的整数

arr = np.array(data, dtype=np.uint8)

对于不需要双精度的浮点数

arr = np.array(data, dtype=np.float32)

5. 注意轴方向

大多数函数接受 axis 参数。了解你的轴：

• - axis=0：沿行操作（向下操作列）
• axis=1：沿列操作（横向操作行）
• axis=None 或省略：对扁平化数组操作

python
arr = np.array([[1, 2], [3, 4]])
np.sum(arr, axis=0) # [4, 6] - 每列求和
np.sum(arr, axis=1) # [3, 7] - 每行求和

6. 利用内置函数

NumPy 为常见操作提供了优化函数。不要重复造轮子。

需求	使用
逐元素数学运算	np.sin、np.exp、np.log
统计

np.mean、np.std、np.median | | 线性代数 | np.dot、np.linalg.* | | 排序 | np.sort、np.argsort | | 搜索 | np.where、np.searchsorted |

NumPy 陷阱

形状不匹配

python

陷阱：混淆 (n,) 与 (n,1) 或 (1,n)

a = np.array([1, 2, 3]) # 形状 (3,) b = np.array([[1, 2, 3]]) # 形状 (1,3) c = np.array([[1], [2], [3]]) # 形状 (3,1)

修复：使用 reshape 或 newaxis

a.reshape(-1, 1) # (3,1) a[np.newaxis, :] # (1,3)

静默类型转换

python

陷阱：整数数组静默截断浮点数

arr = np.array([1, 2, 3]) # int64 arr[0] = 1.9 # 变为 1，而不是 1.9！

修复：预先声明数据类型

arr = np.array([1, 2, 3], dtype=np.float64)

视图与副本混淆

python

陷阱：花式索引返回副本，切片返回视图

arr = np.array([1, 2, 3, 4, 5])

这是视图（更改会影响原数组）

view = arr[1:4]

这是副本（独立）

copy = arr[[1, 2, 3]]

广播意外

python

陷阱：意外的广播

a = np.array([1, 2, 3]) b = np.array([1, 2]) a + b # 错误 - 形状无法广播

陷阱：意外的广播

a = np.zeros((3, 4)) b = np.array([1, 2, 3]) a + b # 错误 - (3,4) 和 (3,) 不对齐 a + b.reshape(-1, 1) # 可行 - (3,4) 和 (3,1)

原地操作

python

陷阱：某些操作原地修改，某些不修改

np.sort(arr) # 返回排序后的副本 arr.sort() # 原地排序

安全模式：明确表达

arr = np.sort(arr) # 意图清晰

基本模式

创建数组

python np.zeros((3, 4)) # 全零 np.ones((3, 4)) # 全一 np.full((3, 4), 7) # 全七 np.eye(3) # 单位矩阵 np.arange(0, 10, 2) # [0, 2, 4, 6, 8] np.linspace(0, 1, 5) # [0, 0.25, 0.5, 0.75, 1] np.random.rand(3, 4) # 均匀分布 [0,1) np.random.randn(3, 4) # 正态分布

重塑和堆叠

python arr.reshape(2, 6) # 新形状（必须匹配大小） arr.flatten() # 一维副本 arr.ravel() # 一维视图 np.concatenate([a, b]) # 沿现有轴连接 np.stack([a, b]) # 沿新轴连接 np.vstack([a, b]) # 垂直堆叠 np.hstack([a, b]) # 水平堆叠

布尔索引

python arr = np.array([1, 5, 3, 8, 2]) mask = arr > 3 arr[mask] # [5, 8] arr[arr > 3] = 0 # 将大于 3 的值替换为 0 np.where(arr > 3, 1, 0) # 大于 3 处为 1，否则为 0

线性代数

python np.dot(a, b) # 矩阵乘法 a @ b # 同上（Python 3.5+） np.linalg.inv(a) # 逆矩阵 np.linalg.det(a) # 行列式 np.linalg.eig(a) # 特征值/特征向量 np.linalg.solve(a, b) # 求解 Ax = b

安全与隐私

本地存储的数据：

• - 所有计算在本地运行
• 代码模式保存在 ~/numpy/ 中

此技能不会：

• - 将数据发送到外部
• 访问 ~/numpy/ 以外的文件
• 需要网络连接

相关技能

如果用户确认，使用 clawhub install 安装：

• - data — 数据处理工作流
• math — 数学计算
• statistics — 统计分析

反馈

• - 如果觉得有用：clawhub star numpy
• 保持更新：clawhub sync