NumPy

NumPy

กราฟของฟังก์ชัน y = sin(x) สร้างด้วย NumPy และ Matplotlib
ผู้ออกแบบ	ทราวิส โอลิแฟนต์; พัฒนาจาก Numeric และ Numarray
นักพัฒนา	โครงการชุมชน NumPy
วันที่เปิดตัว	ในชื่อ Numeric, ค.ศ. 1995; ในชื่อ NumPy, ค.ศ. 2006
รุ่นเสถียร	2.5.0 / 21 มิถุนายน ค.ศ. 2026
ที่เก็บข้อมูล	github.com/numpy/numpy
ภาษาที่เขียน	ไพทอน, ภาษาซี
ระบบปฏิบัติการ	ข้ามแพลตฟอร์ม
ประเภท	การวิเคราะห์เชิงตัวเลข, การคำนวณเชิงวิทยาศาสตร์, การเขียนโปรแกรมอาร์เรย์
สัญญาอนุญาต	สัญญาอนุญาตบีเอสดีแบบแก้ไข
เว็บไซต์	numpy.org

NumPy (ออกเสียงประมาณ “นัมไพ”) เป็นไลบรารีโอเพนซอร์สสำหรับภาษาไพทอน ใช้ในการคำนวณเชิงตัวเลขและการจัดการอาร์เรย์หลายมิติขนาดใหญ่ แกนหลักของ NumPy คือโครงสร้างข้อมูล ndarray หรืออาร์เรย์ n มิติ ซึ่งเก็บข้อมูลชนิดเดียวกันอย่างมีแบบแผนในหน่วยความจำ และทำงานร่วมกับฟังก์ชันคณิตศาสตร์ระดับสูงจำนวนมาก

NumPy เป็นรากฐานสำคัญของระบบนิเวศการคำนวณเชิงวิทยาศาสตร์ในภาษาไพทอน ไลบรารีจำนวนมาก เช่น SciPy, Matplotlib, แพนดัส, scikit-learn, OpenCV, xarray และไลบรารีด้านการเรียนรู้ของเครื่อง ใช้หรือรองรับอาร์เรย์ของ NumPy เป็นโครงสร้างข้อมูลพื้นฐาน เว็บไซต์ทางการเรียก NumPy ว่า “แพ็กเกจพื้นฐานสำหรับการคำนวณเชิงวิทยาศาสตร์ด้วยไพทอน” และระบุว่ามีจุดเด่นเรื่องอาร์เรย์ n มิติ การกระจายค่า การจัดทำดัชนี การแพร่กระจายขนาดหรือ broadcasting พีชคณิตเชิงเส้น การแปลงฟูรีเย และตัวสร้างเลขสุ่ม

รุ่นเสถียรล่าสุดตามเว็บไซต์ทางการคือ NumPy 2.5.0 เผยแพร่เมื่อวันที่ 21 มิถุนายน ค.ศ. 2026 NumPy เป็นโครงการโอเพนซอร์สภายใต้สัญญาอนุญาตบีเอสดีแบบแก้ไข และเป็นโครงการที่ได้รับการสนับสนุนด้านการเงิน กฎหมาย และงานบริหารจาก NumFOCUS

ประวัติ

ภาษาไพทอนไม่ได้ถูกออกแบบมาเพื่อการคำนวณเชิงตัวเลขโดยเฉพาะ แต่ได้รับความสนใจจากนักวิทยาศาสตร์และวิศวกรตั้งแต่ช่วงแรกของภาษา ใน ค.ศ. 1995 มีการตั้งกลุ่มสนใจพิเศษชื่อ matrix-sig เพื่อออกแบบแพ็กเกจอาร์เรย์สำหรับไพทอน กลุ่มนี้รวมถึงควีโด ฟัน โรสซึม ผู้ออกแบบภาษาไพทอน ซึ่งปรับปรุงบางส่วนของไวยากรณ์ เช่น การทำดัชนีและการ slicing เพื่อให้เหมาะกับงานอาร์เรย์มากขึ้น

แพ็กเกจอาร์เรย์สำคัญชุดแรกคือ Numeric ซึ่งเริ่มจากงานของจิม ฟุลตัน และต่อมาจิม ฮูกูนินขยายให้รองรับอาร์เรย์หลายมิติ Numeric ได้รับอิทธิพลจากภาษาหรือระบบคำนวณอาร์เรย์หลายแบบ เช่น APL, MATLAB, Fortran, S และ S-PLUS ต่อมามีแพ็กเกจ Numarray ซึ่งออกแบบให้ยืดหยุ่นกว่าและมีประสิทธิภาพดีในอาร์เรย์ขนาดใหญ่ แต่ช้ากว่า Numeric ในงานอาร์เรย์ขนาดเล็ก ทำให้ชุมชนต้องใช้สองแพ็กเกจควบคู่กันอยู่ระยะหนึ่ง

ใน ค.ศ. 2005 ทราวิส โอลิแฟนต์เริ่มรวมจุดเด่นของ Numeric และ Numarray เข้าด้วยกัน และเผยแพร่ NumPy 1.0 ใน ค.ศ. 2006 เพื่อให้ชุมชนมีแพ็กเกจอาร์เรย์เดียวที่ใช้ร่วมกันได้ NumPy แยกออกจาก SciPy เพื่อให้ผู้ใช้สามารถติดตั้งออบเจ็กต์อาร์เรย์พื้นฐานโดยไม่ต้องติดตั้งแพ็กเกจวิทยาศาสตร์ขนาดใหญ่ทั้งหมด การเปลี่ยนผ่านนี้ทำให้ NumPy กลายเป็นฐานร่วมของไลบรารีวิทยาศาสตร์ข้อมูลและการคำนวณเชิงวิทยาศาสตร์ของไพทอนในเวลาต่อมา

NumPy 2.0 ซึ่งเผยแพร่ใน ค.ศ. 2024 เป็นรุ่นใหญ่ครั้งแรกนับตั้งแต่ NumPy 1.0 และมีการเปลี่ยนแปลงระดับ API และ ABI ที่ส่งผลต่อโค้ด downstream บางส่วน การเผยแพร่รุ่นนี้สะท้อนการพัฒนาโครงการระยะยาว ทั้งการทำความสะอาด API เก่า การปรับปรุงระบบชนิดข้อมูล และการเตรียมความเข้ากันได้สำหรับไพทอนรุ่นใหม่

คุณลักษณะ

ndarray

โครงสร้างข้อมูลหลักของ NumPy คือ ndarray ซึ่งย่อจาก n-dimensional array อาร์เรย์ชนิดนี้เก็บข้อมูลชนิดเดียวกันในหน่วยความจำและมีเมทาดาทา เช่น ชนิดข้อมูล รูปร่างของอาร์เรย์ และ strides เพื่อบอกวิธีตีความข้อมูลในหน่วยความจำ แนวคิดนี้ทำให้อาร์เรย์ของ NumPy ทำงานเร็วกว่า list ของไพทอนในงานเชิงตัวเลขจำนวนมาก เพราะข้อมูลถูกจัดเก็บอย่างหนาแน่นและฟังก์ชันจำนวนมากทำงานในระดับ C แทนที่จะวนซ้ำทีละรายการในไพทอน

อาร์เรย์ของ NumPy รองรับการ slicing, indexing, reshaping, transposition และการสร้าง view ของข้อมูลเดิมโดยไม่ต้องคัดลอกข้อมูลเสมอไป คุณสมบัตินี้ช่วยลดการใช้หน่วยความจำและทำให้สามารถเชื่อมข้อมูลกับไลบรารีที่เขียนด้วย C, C++ หรือ Fortran ได้ง่ายขึ้น

การเขียนโปรแกรมแบบเวกเตอร์และ broadcasting

NumPy ส่งเสริมการเขียนโปรแกรมแบบเวกเตอร์ คือเขียนการคำนวณให้ทำงานกับอาร์เรย์ทั้งชุดในครั้งเดียว แทนการวนลูปด้วยไพทอนทีละสมาชิก ตัวอย่างเช่น การบวกอาร์เรย์สองชุดหรือการคำนวณฟังก์ชันตรีโกณมิติกับทุกสมาชิกสามารถเขียนสั้นและอ่านง่ายกว่าเดิม และมักทำงานเร็วกว่าการวนลูปในไพทอน

อีกคุณสมบัติสำคัญคือ broadcasting ซึ่งทำให้ NumPy สามารถคำนวณอาร์เรย์ที่มีรูปร่างต่างกันได้ หากรูปร่างเหล่านั้นเข้ากันตามกฎของ broadcasting เช่น การบวกเวกเตอร์หนึ่งมิติเข้ากับเมทริกซ์หลายแถวโดยไม่ต้องสร้างสำเนาเวกเตอร์ซ้ำทั้งเมทริกซ์

ฟังก์ชันสากล

ฟังก์ชันสากลหรือ universal function มักเรียกย่อว่า ufunc เป็นฟังก์ชันที่ทำงานแบบสมาชิกต่อสมาชิกกับอาร์เรย์ เช่น np.sin, np.cos, np.exp, np.add และ np.multiply ufunc ช่วยให้การคำนวณทางคณิตศาสตร์กับอาร์เรย์เขียนได้กระชับและทำงานอย่างมีประสิทธิภาพ รวมถึงรองรับ broadcasting และการจัดการชนิดข้อมูลในตัว

พีชคณิตเชิงเส้น การแปลงฟูรีเย และเลขสุ่ม

NumPy มีฟังก์ชันด้านพีชคณิตเชิงเส้นในโมดูล numpy.linalg เช่น การคูณเมทริกซ์ การหา determinant การแก้ระบบสมการเชิงเส้น และการแยกค่าเอกพจน์ โดยการคำนวณหลายอย่างพึ่งพาไลบรารีพื้นฐานอย่าง BLAS และ LAPACK NumPy ยังมีโมดูลสำหรับการแปลงฟูรีเยแบบไม่ต่อเนื่องใน numpy.fft และระบบตัวสร้างเลขสุ่มใน numpy.random ซึ่งใช้ในงานจำลอง การสุ่มตัวอย่าง และสถิติขั้นพื้นฐาน

C API และ F2PY

NumPy มี C API สำหรับเชื่อมต่อโค้ดไพทอนกับไลบรารีที่เขียนด้วยภาษาระดับต่ำ และมี F2PY ซึ่งช่วยสร้างส่วนเชื่อมต่อระหว่างไพทอนกับ Fortran คุณสมบัติเหล่านี้ทำให้ NumPy ใช้เป็นสะพานระหว่างไพทอนกับระบบคำนวณความเร็วสูงที่มีอยู่เดิมในภาษา C, C++ และ Fortran ได้

ตัวอย่าง

โดยทั่วไปนิยม import NumPy ด้วยชื่อย่อ np:

import numpy as np

การสร้างอาร์เรย์:

x = np.array([1, 2, 3])
y = np.arange(10)

print(x)
print(y)

การคำนวณแบบเวกเตอร์:

a = np.array([1, 2, 3, 6])
b = np.linspace(0, 2, 4)

print(a - b)
print(a ** 2)

ฟังก์ชันสากล:

a = np.linspace(-np.pi, np.pi, 100)
b = np.sin(a)
c = np.cos(a)

พีชคณิตเชิงเส้น:

a = np.array([[1, 2, 3],
              [3, 4, 6.7],
              [5, 9.0, 5]])

b = np.array([3, 2, 1])

x = np.linalg.solve(a, b)
print(x)

ตัวอย่าง broadcasting:

m = np.array([[1, 2, 3],
              [4, 5, 6]])

v = np.array([10, 20, 30])

print(m + v)

ข้อจำกัด

NumPy มีประสิทธิภาพสูงเมื่อการคำนวณสามารถเขียนเป็นการดำเนินการบนอาร์เรย์หรือฟังก์ชันเวกเตอร์ได้ แต่โค้ดที่ต้องวนลูปซับซ้อนในไพทอนอาจยังทำงานช้า เพราะยังถูกตีความโดยตัวแปลภาษาไพทอนตามปกติ นอกจากนี้ การทำ vectorization บางแบบอาจสร้างอาร์เรย์ชั่วคราวขนาดใหญ่ ทำให้ใช้หน่วยความจำมากขึ้น

อาร์เรย์ของ NumPy โดยทั่วไปอยู่ในหน่วยความจำของเครื่องเดียว งานข้อมูลขนาดใหญ่มาก งานกระจายบนหลายเครื่อง หรือการคำนวณบน GPU จึงมักต้องใช้ไลบรารีอื่นที่เลียนแบบหรือขยายแนวคิดของ NumPy เช่น Dask สำหรับอาร์เรย์แบบกระจาย, CuPy สำหรับ GPU ผ่าน CUDA, JAX สำหรับการคำนวณอัตโนมัติและตัวเร่งฮาร์ดแวร์, หรือ PyTorch และ TensorFlow ในงานการเรียนรู้ของเครื่อง อย่างไรก็ตาม ไลบรารีเหล่านี้จำนวนมากยังออกแบบ API ให้คล้าย NumPy เพราะ NumPy กลายเป็นมาตรฐานเชิงพฤตินัยของการเขียนโปรแกรมอาร์เรย์ในไพทอน

ระบบนิเวศและการสนับสนุน

NumPy เป็นโครงการชุมชนที่พัฒนาแบบเปิดบน GitHub และได้รับการสนับสนุนจากองค์กรไม่แสวงหากำไร NumFOCUS ซึ่งช่วยดูแลด้านการเงิน กฎหมาย และงานบริหารของโครงการ โครงการนี้เป็นส่วนหนึ่งของระบบนิเวศ SciPy และมักถูกใช้ร่วมกับไลบรารีอื่น เช่น SciPy สำหรับอัลกอริทึมวิทยาศาสตร์, Matplotlib สำหรับการสร้างกราฟ, pandas สำหรับตารางข้อมูล, scikit-learn สำหรับการเรียนรู้ของเครื่อง และ Jupyter สำหรับสมุดบันทึกเชิงคำนวณ

NumFOCUS ระบุว่า NumPy เป็นโครงสร้างข้อมูลสากลที่ช่วยให้การแลกเปลี่ยนข้อมูลระหว่างอัลกอริทึมเป็นไปได้ และเป็นโครงการพื้นฐานของชุดเครื่องมือคำนวณเชิงวิทยาศาสตร์ในไพทอน

ดูเพิ่ม

• SciPy
• Matplotlib
• Scikit-learn
• แพนดัส
• Jupyter
• การเขียนโปรแกรมอาร์เรย์
• การวิเคราะห์เชิงตัวเลข
• รายการซอฟต์แวร์วิเคราะห์เชิงตัวเลข

อ่านเพิ่ม

• Oliphant, Travis E. (2006). Guide to NumPy. สืบค้นเมื่อ 7 กรกฎาคม 2026.
• McKinney, Wes (2022). Python for Data Analysis (3rd ed.). O'Reilly Media. ISBN 9781098104030. สืบค้นเมื่อ 7 กรกฎาคม 2026.
• VanderPlas, Jake (2016). Python Data Science Handbook. O'Reilly Media. ISBN 9781491912058. สืบค้นเมื่อ 7 กรกฎาคม 2026.

แหล่งข้อมูลอื่น

วิกิมีเดียคอมมอนส์มีสื่อเกี่ยวกับ NumPy

• เว็บไซต์ทางการ
• เอกสาร NumPy
• บทเรียน NumPy
• คลังซอร์สโค้ด NumPy ที่ GitHub
• หน้าโครงการ NumPy ที่ NumFOCUS