第 4 章：向量化运算（Vectorized Operations） on 跟我学机器学习

NumPy 向量化运算详解：归一化差值、角度特征、聚合统计、排序与范数门控 | NumPy 数组计算实战

Sun, 25 Oct 2026 09:30:00 +0800

第 4.1 节核心知识点#

预计学习时长： 45 分钟

本节目标：

说得清为什么数组运算比 for 循环快；

会把「for 循环 + if 判断」翻译成一行数组表达式；

会算归一化差值、用 np.arctan2() 构造角度特征；

熟练使用 sum / mean / max / min 和它们的 axis 参数；

分得清 sort() 和 argsort()；

会用 np.linalg.norm() 算向量长度，并用它做条件变换。

先搞清楚：向量化到底快在哪#

一句话：NumPy 把循环搬到了底层 C 代码里，还把数据打包成一块连续内存批量处理。

Python 的循环是这样的：

prices = [100.0, 200.0, 300.0]
for i in range(len(prices)):
 prices[i] = prices[i] * 0.8

每一步都要做三件事：从列表里取出元素 → 调用乘方 → 再塞回列表。而且列表里的每个数字都是独立的 Python 对象，散落在内存各处，CPU 缓存根本用不上。

NumPy 的写法：

import numpy as np

prices = np.array([100.0, 200.0, 300.0])
prices = prices * 0.8

一次都不循环。 底层做的是：把 3 个 double 打包在连续的 24 字节内存里 → 交给 C 层的 SIMD 指令 → 一次算 4 个（甚至 8 个）。

NumPy 编程练习：5 道动手题学会向量化运算（归一化差值、角度特征、聚合统计、排序、范数门控） | NumPy 数组计算实战

Sun, 25 Oct 2026 09:30:00 +0800

第 4.2 节编程练习#

预计学习时长： 45 分钟

练习方式： 新建一个 Jupyter Notebook，把下面的数据抄进去，然后每题独立完成。第 5 题最难，多花点时间。

准备：先把数据建好#

import numpy as np

sales = np.array([
 [120.0, 135.0, 150.0, 165.0],
 [ 80.0, 92.0, 88.0, 105.0],
 [200.0, 210.0, 195.0, 230.0],
 [ 60.0, 72.0, 85.0, 78.0],
 [150.0, 145.0, 160.0, 175.0],
])

city_names = np.array(["北京", "上海", "广州", "深圳", "成都"])
quarter_names = np.array(["Q1", "Q2", "Q3", "Q4"])

a = np.array([120.0, 80.0, 200.0, 60.0])
b = np.array([100.0, 90.0, 150.0, 55.0])

练习 1：计算两个数组之间的归一化差值#

题目： 完成下面 4 个任务：

算出 a 和 b 的归一化差值：(a - b) / (|a| + |b|)，存到 norm_diff；
打印 norm_diff；
用安全版（分母加 1e-9）再算一次，存到 safe_diff；
找出差距最大的那一对下标（用 np.argmax），打印出来。

思考题： 第 3 题加 1e-9 之后，结果和第 2 题有区别吗？为什么还要加？

NumPy 常见问题答疑：10 个向量化运算的疑问（循环对比、axis、sort 与 argsort、范数门控） | NumPy 数组计算实战

Sun, 25 Oct 2026 09:30:00 +0800

第 4.3 节常见问题#

这一节收集了初学者在 NumPy 向量化运算上最常卡的 10 个问题。每个问题都给出直接答案，能跑代码的都附上完整示例。

怎么用这一节 不用通读。遇到问题用 Ctrl+F 搜关键词，直接跳到对应那条。

准备一下数据，下面每题都会用到：

import numpy as np

sales = np.array([
 [120.0, 135.0, 150.0, 165.0],
 [ 80.0, 92.0, 88.0, 105.0],
 [200.0, 210.0, 195.0, 230.0],
 [ 60.0, 72.0, 85.0, 78.0],
 [150.0, 145.0, 160.0, 175.0],
])

scores = np.array([80, 90, 75, 100, 60])

Q1：什么是向量化运算？与 Python `for` 循环相比有什么优势？#

答： 向量化 = 用一行数组表达式替代整个 for 循环。

循环写法：

prices = np.array([100.0, 200.0, 300.0])

for i in range(len(prices)):
 prices[i] = prices[i] * 0.8

向量化写法：

prices = prices * 0.8

三个优势：

	for 循环	向量化
速度	逐个解释执行	快 30～100 倍
代码行数	3 行	1 行
出错机会	下标越界、空数组、类型不匹配……	NumPy 帮你兜住

为什么快这么多？

第 4 章：向量化运算（Vectorized Operations） on 跟我学机器学习

NumPy 向量化运算详解：归一化差值、角度特征、聚合统计、排序与范数门控 | NumPy 数组计算实战

第 4.1 节 核心知识点#

先搞清楚：向量化到底快在哪#

NumPy 编程练习：5 道动手题学会向量化运算（归一化差值、角度特征、聚合统计、排序、范数门控） | NumPy 数组计算实战

第 4.2 节 编程练习#

准备：先把数据建好#

练习 1：计算两个数组之间的归一化差值#

NumPy 常见问题答疑：10 个向量化运算的疑问（循环对比、axis、sort 与 argsort、范数门控） | NumPy 数组计算实战

第 4.3 节 常见问题#

Q1：什么是向量化运算？与 Python for 循环相比有什么优势？#

第 4.1 节核心知识点#

第 4.2 节编程练习#

第 4.3 节常见问题#

Q1：什么是向量化运算？与 Python `for` 循环相比有什么优势？#