NumPy 2.0 故意移除了 numpy.fft 等子模块的顶层别名，因此 np.fft 报错；必须显式导入 import numpy.fft 后用 numpy.fft.fft()，或改用 from numpy.fft import fft。
为什么 numpy.fft 突然报 AttributeError: module 'numpy' has no attribute 'fft'
NumPy 2.0 彻底移除了旧的顶层命名空间别名（如 numpy.fft、numpy.random、numpy.linalg），这些模块现在**必须显式导入**，不再自动挂载到 numpy 根命名空间下。这不是 bug，是故意为之——为了解耦子模块、减少启动开销、明确依赖关系。
常见错误现象包括：
-
import numpy as np; np.fft.fft(...)→ 报错 -
from numpy import fft→ 报错（因为numpy.__init__.py不再导出fft） -
np.random.normal()或np.linalg.inv()同样失效
怎么改：三类模块的正确导入方式
不是统一加个 import numpy.fft 就完事——不同子模块在 NumPy 2.0 中的导入契约不同，需按类别处理：
-
FFT 模块：
import numpy.fft，然后用numpy.fft.fft()；别再用np.fft，np对象里真没这个属性 -
随机数模块：必须创建独立的生成器实例，
from numpy.random import default_rng; rng = default_rng(); rng.normal()；np.random.*全部失效，且numpy.random不再支持直接函数调用 -
线性代数模块：
import numpy.linalg，然后numpy.linalg.inv()；np.linalg会报AttributeError
注意：numpy.ndarray、numpy.array、numpy.zeros 这些核心类型/构造函数不受影响，仍可通过 np 访问。
立即学习“Python免费学习笔记（深入）”；
提示词大师-python版
下载
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
兼容旧代码的最小改动方案
如果项目量大、不能逐行改，可临时在入口文件顶部加兼容层（仅限过渡期）：
import numpy.fft import numpy.linalg import numpy.random as _np_random <h1>手动挂载（不推荐长期使用）</h1><p>import numpy as np np.fft = numpy.fft np.linalg = numpy.linalg np.random = _np_random
但要注意：
- 这会恢复部分旧行为，但
np.random仍是模块对象，np.random.normal()依然不行——它需要default_rng()实例 - 挂载后无法解决延迟导入带来的性能差异，且掩盖了真实依赖，不利于长期维护
- 第三方库若未适配 NumPy 2.0（比如老版本
scipy或matplotlib），可能仍会崩，得同步升级
检查是否遗漏：哪些地方最容易翻车
以下位置常被忽略，建议全局搜索并人工确认：
- 测试文件里硬编码的
np.fft/np.random.rand()调用 - Jupyter notebook 中的临时代码，尤其是复制粘贴的老片段
- 配置或工具函数中隐式依赖
np.linalg.norm这类写法 -
__init__.py中的from numpy import *或from numpy.linalg import *—— 这种通配导入在 NumPy 2.0 下行为已变，可能漏掉符号
真正麻烦的不是改几行 import，而是那些把 np.random 当函数对象用、或把 np.fft 当命名空间缓存起来的地方——它们不会报语法错，但运行时才暴露。
