什么是Numpy？

What｜NumPy 到底是什么？

⚙️ Python 的「数值计算底层引擎」：一个开源库，提供高效 n 维数组对象 ndarray + 广播机制 + 向量化数学函数；pandas、scipy、scikit-learn、PyTorch 都把它当底座。

量化圈名言：「没有 NumPy，Python 就是慢脚本；有了 NumPy，Python 变成向量化高铁」。

Who｜天天在 import numpy？

1️⃣ 量化研究员：回测里 10 年 3000 只股票日收益 → 一行returns.mean(axis=0)秒算平均收益。

2️⃣ 数据工程师：CSV →np.loadtxt→ 矩阵，一步完成。

3️⃣ 机器学习工程师：把图片转成np.uint8数组喂给 CNN。

4️⃣ 高校学生：线性代数作业np.linalg.eig算特征值。

5️⃣ 散户极客：用numpy.random做蒙特卡洛模拟资产价格路径。

Where｜在哪用？

🖥️ 本地：Anaconda 自带，无需额外安装。

🌐 云端：Colab、Kaggle 内核已预装 NumPy + MKL 加速。

📱 嵌入式：MicroPython 裁剪版也能import numpy。

🖱️ 在线：GitHub Codespaces 终端python -c "import numpy; print(numpy.__version__)"。

When｜什么时候必须用？

⚡ 循环太慢：纯 Python for 算 100 万条收益均值要 1 秒 → NumPy 向量化 10 ms。

⚡ 维度广播：不同 shape 的矩阵相加，不用手写双重循环。

⚡ 线性代数：求协方差、特征值、矩阵乘法，调用np.dot/np.linalg一步到位。

⚡ 随机模拟：几何布朗运动、Bootstrap 重采样，用np.random家族即可。

Why｜用 NumPy 而不用纯 Python？

1. ✅ C 级速度：底层 OpenBLAS/MKL 优化，向量化比 for 循环快 10–100×。
2. ✅ 内存省：ndarray 连续存储，同样 float64 数组比 list 省 40% 内存。
3. ✅ 广播语法：写a + b就能自动对齐维度，代码短、可读性高。
4. ✅ 生态核心：pandas Series/DataFrame 底层就是 ndarray，不会 NumPy 就看不懂源码。

How｜60 秒最小示例（向量化）

先安装Numpy：

pipinstallnumpy

导入：

importnumpyasnp

创建 252 天、3000 只股票的随机日收益矩阵：

# ① 创建 252 天、3000 只股票的随机日收益矩阵# 均值 0.05%，日波动 2.2%rets=np.random.normal(0.0005,0.022,size=(252,3000))rets

年化收益，按股票维度（axis=0）:

# ② 年化收益，按股票维度（axis=0）annual_ret=rets.mean(axis=0)*252annual_ret

波动，按股票维度（axis=0）:

# 波动，按股票维度（axis=0）annual_vol=rets.std(axis=0)*np.sqrt(252)annual_vol

夏普（无风险 2%）：

# ③ 夏普（无风险 2%）sharpe=(annual_ret-0.02)/annual_volprint('平均夏普:',sharpe.mean().round(2))# 输出 ≈ 0.73

协方差矩阵（3000×3000）:’

# ④ 协方差矩阵（3000×3000）cov=np.cov(rets,rowvar=False)# rowvar=False 表示每列是一只股票print('协方差矩阵形状:',cov.shape)# (3000, 3000)

完整代码：

importnumpyasnp# ① 创建 252 天、3000 只股票的随机日收益矩阵rets=np.random.normal(0.0005,0.022,size=(252,3000))# 均值 0.05%，日波动 2.2%# ② 年化收益 & 波动，按股票维度（axis=0）annual_ret=rets.mean(axis=0)*252annual_vol=rets.std(axis=0)*np.sqrt(252)# ③ 夏普（无风险 2%）sharpe=(annual_ret-0.02)/annual_volprint('平均夏普:',sharpe.mean().round(2))# 输出 ≈ 0.73# ④ 协方差矩阵（3000×3000）cov=np.cov(rets,rowvar=False)# rowvar=False 表示每列是一只股票print('协方差矩阵形状:',cov.shape)# (3000, 3000)

运行完：

• 252 万数据点，全程向量化，本地笔记本 < 200 ms 完成。
• 一行np.cov直接拿到马科维茨输入矩阵。

一句话总结：NumPy = Python 的「向量化高铁」：ndarray 让循环进 C 语言，速度×100，内存省，所有量化/ML 库都站在这块基石上。