Bỏ qua đến nội dung chính
Mục lục

NumPy cheat sheet: bảng tra cú pháp NumPy

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 1/1 · Chương 4

Trang phụ trợ

  • 10 phút
  • Cơ bản
  • Python 3.14
  • Cập nhật

NumPy cheat sheet này gom 81 dòng cú pháp NumPy hay dùng nhất vào một trang. Các dòng chia thành mười ba nhóm theo đúng thứ tự các bài của tutorial, từ tạo mảng, shape và cắt mảng tới broadcasting, NaN và số ngẫu nhiên. Mỗi dòng có kết quả thật khi chạy và một link tới bài dạy kỹ dòng đó.

Cách đọc bảng tra nhanh NumPy

Mỗi nhóm mở đầu bằng một đoạn code ngắn tạo dữ liệu dùng chung, như mảng doanh_thu hay bảng dt của ba tháng, ba chi nhánh. Các dòng của bảng chạy lần lượt sau đoạn đó, như khi bạn gõ từng dòng vào cửa sổ Python tương tác: dòng sau thấy biến mà dòng trước gán. Cột Kết quả là đúng thứ được in ra. Ô có dấu gạch ngang là dòng không in gì, như một phép gán.

Phần lớn dòng bọc kết quả trong print(), vì NumPy in mảng gọn hơn khi qua print(): không có chữ array( và không ghi kiểu. Bảng nhiều hàng được in bằng .tolist() để vừa một dòng. Dòng làm NumPy báo lỗi thì cột Kết quả là dòng cuối của thông báo lỗi.

Tạo mảng

Mảng NumPy chứa các số cùng kiểu; phép toán trên mảng áp lên mọi phần tử.

python
import numpy as np

gia = np.array([29000, 32000, 35000, 45000])

Cần làm

Cú pháp

Kết quả

Bài

Mảng từ list

print(np.array([29, 32, 35]))

[29 32 35]

mảng NumPy

Nhân cả mảng với một số

print(gia * 2)

[58000 64000 70000 90000]

mảng NumPy

Tính giữa hai mảng cùng độ dài

print(gia - np.array([0, 2000, 0, 5000]))

[29000 30000 35000 40000]

mảng NumPy

Dãy số theo bước

print(np.arange(1, 13, 3))

[ 1 4 7 10]

arange và linspace

Chia đoạn thành n điểm

print(np.linspace(0, 30, 4))

[ 0. 10. 20. 30.]

arange và linspace

Mảng toàn 0, toàn 1

print(np.zeros(3), np.ones(2, dtype=int))

[0. 0. 0.] [1 1]

zeros, ones, full

Mảng toàn một giá trị

print(np.full(3, 50))

[50 50 50]

zeros, ones, full

Cùng độ dài, cùng kiểu với mảng có sẵn

print(np.zeros_like(gia))

[0 0 0 0]

zeros, ones, full

Ma trận đơn vị

print(np.eye(2).tolist())

[[1.0, 0.0], [0.0, 1.0]]

zeros, ones, full

Shape, kiểu và đổi hình

Shape là số phần tử theo từng chiều: bảng 3 hàng 4 cột có shape (3, 4).

python
import numpy as np

bang = np.arange(12).reshape(3, 4)

Cần làm

Cú pháp

Kết quả

Bài

Số hàng, số cột

bang.shape

(3, 4)

shape, ndim, dtype

Số chiều, tổng số phần tử

bang.ndim, bang.size

(2, 12)

shape, ndim, dtype

Đổi kiểu sang số thực

print(np.array([1, 2]).astype(float))

[1. 2.]

shape, ndim, dtype

Đổi hình

print(np.arange(6).reshape(2, 3).tolist())

[[0, 1, 2], [3, 4, 5]]

reshape

Để NumPy tự tính một chiều

np.arange(6).reshape(-1, 2).shape

(3, 2)

reshape

Duỗi thành một chiều (bản sao)

print(bang.flatten()[:5])

[0 1 2 3 4]

reshape

Duỗi thành một chiều (dùng chung dữ liệu nếu được)

print(bang.ravel()[-3:])

[ 9 10 11]

reshape

Chuyển vị hàng thành cột

bang.T.shape

(4, 3)

reshape

Đọc và ghi file số

np.loadtxt() đọc file mà mọi ô là số; np.genfromtxt() chịu được ô trống.

python
from pathlib import Path

import numpy as np

with open("ban_hang.csv", "w", encoding="utf-8") as f:
    f.write("ngay,ca_phe,tra\n1,40,12\n2,35,15\n3,52,9\n")
with open("thieu.csv", "w", encoding="utf-8") as f:
    f.write("ngay,ca_phe\n1,40\n2,\n")

Cần làm

Cú pháp

Kết quả

Bài

Đọc file CSV số, bỏ dòng tiêu đề

bang = np.loadtxt("ban_hang.csv", delimiter=",", skiprows=1, dtype=int)

—

loadtxt

print(bang.tolist())

[[1, 40, 12], [2, 35, 15], [3, 52, 9]]

loadtxt

Chỉ đọc vài cột

print(np.loadtxt("ban_hang.csv", delimiter=",", skiprows=1, usecols=(1,), dtype=int))

[40 35 52]

loadtxt

Ghi mảng ra file

np.savetxt("tong.csv", bang[:, 1:], delimiter=",", fmt="%d")

—

loadtxt

Path("tong.csv").read_text(encoding="utf-8").splitlines()

['40,12', '35,15', '52,9']

loadtxt

Đọc file có ô trống

print(np.genfromtxt("thieu.csv", delimiter=",", skip_header=1)[:, 1])

[40. nan]

loadtxt

Chỉ số và lát cắt

Bảng dt là doanh thu (triệu đồng) của ba tháng (hàng) ở ba chi nhánh (cột). Chỉ số viết [hàng, cột], đếm từ 0.

python
import numpy as np

dt = np.array([[1055, 1242, 577], [577, 675, 302], [763, 871, 368]])

Cần làm

Cú pháp

Kết quả

Bài

Một ô

print(dt[1, 2])

302

cắt mảng

Một hàng

print(dt[0])

[1055 1242 577]

cắt mảng

Một cột

print(dt[:, 1])

[1242 675 871]

cắt mảng

Một khối hàng và cột

print(dt[1:, :2].tolist())

[[577, 675], [763, 871]]

cắt mảng

Đếm từ cuối

print(dt[-1, -1])

368

cắt mảng

Ghi quá số chiều

dt[0, 1, 2]

IndexError: too many indices for array: array is 2-dimensional, but 3 were indexed

lỗi too many indices

Lát cắt dùng chung dữ liệu với bảng gốc

print(np.shares_memory(dt, dt[0]))

True

view và copy

Bản sao riêng

print(np.shares_memory(dt, dt[0].copy()))

False

view và copy

Mask và điều kiện

Phép so sánh trên mảng cho một mảng True/False, gọi là mask. Ghép điều kiện bằng &, |, ~, mỗi điều kiện trong ngoặc.

python
import numpy as np

doanh_thu = np.array([620, 480, 910, 350, 700])

Cần làm

Cú pháp

Kết quả

Bài

Mảng bool từ phép so sánh

print(doanh_thu > 600)

[ True False True False True]

boolean mask

Lọc theo mask

print(doanh_thu[doanh_thu > 600])

[620 910 700]

boolean mask

Hai điều kiện cùng đúng

print(doanh_thu[(doanh_thu > 400) & (doanh_thu < 800)])

[620 480 700]

boolean mask

Đảo điều kiện

print(doanh_thu[~(doanh_thu > 600)])

[480 350]

boolean mask

Đếm phần tử thỏa

print((doanh_thu > 600).sum())

3

boolean mask

Gán theo mask

doanh_thu[doanh_thu < 400] = 400

—

boolean mask

print(doanh_thu)

[620 480 910 400 700]

boolean mask

Chọn một trong hai giá trị

print(np.where(doanh_thu >= 700, "đạt", "chưa"))

['chưa' 'chưa' 'đạt' 'chưa' 'đạt']

np.where

Chia nhiều mức

print(np.select([doanh_thu >= 900, doanh_thu >= 600], ["A", "B"], default="C"))

['B' 'C' 'A' 'C' 'B']

np.where

Thống kê theo trục

axis=0 gộp các hàng (ra một số cho mỗi cột), axis=1 gộp các cột (ra một số cho mỗi hàng).

python
import numpy as np

dt = np.array([[1055, 1242, 577], [577, 675, 302], [763, 871, 368]])

Cần làm

Cú pháp

Kết quả

Bài

Tổng cả bảng

print(dt.sum())

6430

axis

Tổng từng cột (mỗi chi nhánh)

print(dt.sum(axis=0))

[2395 2788 1247]

axis

Trung bình từng hàng (mỗi tháng)

print(dt.mean(axis=1).round(1))

[958. 518. 667.3]

axis

Lớn nhất, nhỏ nhất

print(dt.max(), dt.min())

1242 302

axis

Độ lệch chuẩn từng cột

print(dt.std(axis=0).round(1))

[196.7 235.1 117.2]

axis

Giữ chiều đã gộp

dt.sum(axis=1, keepdims=True).shape

(3, 1)

axis

Broadcasting

Hai shape được so từ phải sang trái; mỗi cặp phải bằng nhau, có một bên là 1, hoặc một bên để trống.

python
import numpy as np

dt = np.array([[1055, 1242, 577], [577, 675, 302], [763, 871, 368]])

Cần làm

Cú pháp

Kết quả

Bài

Bảng trừ một hàng

print((dt - np.array([500, 600, 300])).tolist())

[[555, 642, 277], [77, 75, 2], [263, 271, 68]]

broadcasting

Chia mỗi hàng cho tổng của hàng

print((dt / dt.sum(axis=1, keepdims=True)).round(2)[0])

[0.37 0.43 0.2 ]

broadcasting

Thêm một trục dài 1

np.array([1, 2, 3])[:, np.newaxis].shape

(3, 1)

broadcasting

Xem trước shape kết quả

np.broadcast_shapes((3, 1), (4,))

(3, 4)

broadcasting

Tìm vị trí, sắp xếp, đếm

python
import numpy as np

doanh_thu = np.array([620, 480, 910, 350, 700])
mon = np.array(["trà", "cà phê", "trà", "bánh", "cà phê", "trà"])

Cần làm

Cú pháp

Kết quả

Bài

Vị trí lớn nhất, nhỏ nhất

print(doanh_thu.argmax(), doanh_thu.argmin())

2 3

argmax và sort

Sắp xếp tăng dần

print(np.sort(doanh_thu))

[350 480 620 700 910]

argmax và sort

Thứ tự chỉ số khi sắp

print(doanh_thu.argsort())

[3 1 0 4 2]

argmax và sort

Ba giá trị lớn nhất

print(doanh_thu[doanh_thu.argsort()[::-1][:3]])

[910 700 620]

argmax và sort

Lấy nhiều vị trí một lần

print(doanh_thu[[0, 2, 4]])

[620 910 700]

fancy indexing

Gán nhiều vị trí một lần

doanh_thu[[1, 3]] = 0

—

fancy indexing

print(doanh_thu)

[620 0 910 0 700]

fancy indexing

Các giá trị khác nhau

print(np.unique(mon))

['bánh' 'cà phê' 'trà']

unique và cumsum

Đếm từng giá trị

print(np.unique(mon, return_counts=True)[1])

[1 2 3]

unique và cumsum

Cộng dồn

print(np.array([12, 9, 15]).cumsum())

[12 21 36]

unique và cumsum

Dữ liệu thiếu NaN

np.nan đánh dấu ô thiếu. Mọi phép tính có NaN đều ra NaN, trừ các hàm nan….

python
import numpy as np

diem = np.array([7.5, np.nan, 9.0, 6.0])

Cần làm

Cú pháp

Kết quả

Bài

NaN lan qua phép tính

print(diem.mean())

nan

NaN

Tìm ô thiếu

print(np.isnan(diem))

[False True False False]

NaN

Đếm ô thiếu

print(np.isnan(diem).sum())

1

NaN

Trung bình, tổng bỏ qua NaN

print(np.nanmean(diem), np.nansum(diem))

7.5 22.5

NaN

Ghép và tách mảng

python
import numpy as np

thang_1 = np.array([620, 480, 910])
thang_2 = np.array([590, 510, 880])

Cần làm

Cú pháp

Kết quả

Bài

Nối nối tiếp

print(np.concatenate([thang_1, thang_2]))

[620 480 910 590 510 880]

concatenate

Chồng thành các hàng

print(np.vstack([thang_1, thang_2]).tolist())

[[620, 480, 910], [590, 510, 880]]

concatenate

Nối ngang

print(np.hstack([thang_1, thang_2]))

[620 480 910 590 510 880]

concatenate

Ghép theo một trục mới

np.stack([thang_1, thang_2], axis=1).shape

(3, 2)

concatenate

Tách thành phần bằng nhau

[p.tolist() for p in np.split(np.arange(6), 3)]

[[0, 1], [2, 3], [4, 5]]

concatenate

Nhân ma trận

Hai chi nhánh, hai món: so_ly @ gia ghép mỗi hàng số ly với giá từng món và cho ra doanh thu của từng chi nhánh.

python
import numpy as np

so_ly = np.array([[3, 1], [2, 4]])
gia = np.array([29000, 45000])

Cần làm

Cú pháp

Kết quả

Bài

Nhân ma trận với vectơ

print(so_ly @ gia)

[132000 238000]

nhân ma trận

Cùng phép, viết bằng hàm

print(np.dot(so_ly, gia))

[132000 238000]

nhân ma trận

Nhân với ma trận đơn vị

print((so_ly @ np.eye(2, dtype=int)).tolist())

[[3, 1], [2, 4]]

nhân ma trận

Hàm toán học

python
import numpy as np

chenh = np.array([-12.5, 3.4, -0.8, 27.6])

Cần làm

Cú pháp

Kết quả

Bài

Chặn vào một khoảng

print(np.clip(chenh, -5, 10))

[-5. 3.4 -0.8 10. ]

hàm toán học

Trị tuyệt đối

print(np.abs(chenh))

[12.5 3.4 0.8 27.6]

hàm toán học

Làm tròn (giữa thì về số chẵn)

print(np.round(chenh))

[-12. 3. -1. 28.]

hàm toán học

Làm tròn xuống

print(np.floor(chenh))

[-13. 3. -1. 27.]

hàm toán học

Căn bậc hai, mũ, logarit

print(np.sqrt(16), np.exp(0), np.log(1))

4.0 1.0 0.0

hàm toán học

Số ngẫu nhiên

Luôn tạo một bộ sinh số có hạt giống, rồi lấy số từ nó: cùng hạt giống thì cùng dãy số.

python
import numpy as np

rng = np.random.default_rng(2026)

Cần làm

Cú pháp

Kết quả

Bài

Số nguyên trong khoảng (không lấy cận trên)

print(rng.integers(1, 7, size=5))

[6 2 1 4 3]

số ngẫu nhiên

Số theo phân phối chuẩn

print(rng.normal(50, 10, size=3).round(1))

[64. 56.4 47.1]

số ngẫu nhiên

Chọn ngẫu nhiên từ một dãy

print(rng.choice(["Huế", "Đà Lạt", "Hà Nội"], size=2))

['Đà Lạt' 'Hà Nội']

số ngẫu nhiên

Cùng hạt giống, cùng kết quả

print(np.random.default_rng(1).integers(0, 100, 3), np.random.default_rng(1).integers(0, 100, 3))

[47 51 75] [47 51 75]

số ngẫu nhiên

Câu hỏi thường gặp

Có bản NumPy cheat sheet PDF không?

Trang này là bản để tra trên web, có kết quả thật của từng dòng. Muốn có bản in, dùng lệnh In của trình duyệt và chọn lưu thành PDF: các bảng giữ nguyên cột Cú pháp và Kết quả. Khi NumPy đổi bản, trang được chạy lại nên kết quả luôn khớp bản đang dạy.

Code trong bảng chạy trên bản NumPy nào?

NumPy 2.4 trên Python 3.14, đúng bộ chạy trong trình duyệt của mọi bài; các dòng cũng cho cùng kết quả trên Python 3.12 và 3.13. Bài cài NumPy, pandas, Matplotlib chỉ cách cài đúng bản đó trên máy của bạn.

Gặp lỗi NumPy khi làm theo bảng thì tra ở đâu?

Đọc dòng cuối của thông báo lỗi. Hai lỗi hay gặp nhất có trang riêng: operands could not be broadcast khi hai shape không đi với nhau, và too many indices khi ghi nhiều chỉ số hơn số chiều của mảng.

Học NumPy xong nên học gì tiếp?

pandas: thư viện làm việc với bảng có tên cột, xây trên NumPy. Phần lớn cú pháp ở trang này dùng lại được trên cột của pandas. Tutorial pandas bắt đầu ở bài từ CSV đến DataFrame.

Chủ đề

numpy cheat sheet

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập