python中如何使用numpy创建数组_Numpy创建数组(array)基础教程-Python教程-PHP中文网

NumPy提供多种创建数组的方法，包括从列表转换、生成特定值数组及指定形状和数据类型。1. 使用np.array()将列表或元组转为数组，并可指定dtype；2. np.zeros()和np.ones()创建全0或全1数组；3. np.empty()创建未初始化的空数组以提升性能；4. np.arange()生成等步长数组，np.linspace()生成等间隔数值；5. np.full()用指定值填充数组；6. 多维数组可通过嵌套列表或reshape()构建；7. 高级方法如np.eye()创建单位矩阵，适用于线性代数运算。选择合适方法能优化内存与计算效率。

python中如何使用numpy创建数组_numpy创建数组(array)基础教程

在Python中，使用NumPy创建数组是进行科学计算和数据分析的基础，它提供了多种高效的方法来初始化和构建数组。最直接的方式是利用

numpy.array()

登录后复制

函数将Python列表或元组转换为NumPy数组，此外，还可以通过

numpy.zeros()

登录后复制

、

numpy.ones()

登录后复制

、

numpy.arange()

登录后复制

、

numpy.linspace()

登录后复制

等函数根据特定的形状和值快速生成数组，从而满足不同的数据初始化需求。

解决方案

NumPy作为Python科学计算的核心库，其数组（

ndarray

登录后复制

）是处理大量数值数据的基石。创建这些数组的方式多种多样，每种都适用于不同的场景。

1. 从Python列表或元组创建数组：

np.array()

登录后复制

这是最常用也最直观的方法。你可以将一个普通的Python列表（或嵌套列表）传递给

np.array()

登录后复制

来创建一个NumPy数组。

import numpy as np

# 创建一维数组
list_1d = [1, 2, 3, 4, 5]
arr_1d = np.array(list_1d)
print("一维数组:", arr_1d)
print("类型:", type(arr_1d))

# 创建二维数组 (从嵌套列表)
list_2d = [[1, 2, 3], [4, 5, 6]]
arr_2d = np.array(list_2d)
print("\n二维数组:\n", arr_2d)

# 指定数据类型 (dtype)
arr_float = np.array([1, 2, 3], dtype=float)
print("\n指定float类型的数组:", arr_float)

arr_int8 = np.array([100, 200, 50], dtype=np.int8)
print("指定int8类型的数组:", arr_int8)

登录后复制

这里有个小细节，如果你不指定

dtype

登录后复制

，NumPy会根据输入数据自动推断一个最合适的数据类型。但有时候，为了内存效率或者确保精度，手动指定

dtype

登录后复制

是非常有必要的。

2. 创建全零数组：

np.zeros()

登录后复制

当你需要一个特定形状的数组，并希望所有元素都初始化为零时，

np.zeros()

登录后复制

是你的首选。

# 创建一个3x4的全零数组
zeros_arr = np.zeros((3, 4))
print("\n全零数组 (3x4):\n", zeros_arr)

# 创建一个一维的全零数组，并指定数据类型
zeros_int = np.zeros(5, dtype=int)
print("全零整数数组 (1x5):", zeros_int)

登录后复制

3. 创建全壹数组：

np.ones()

登录后复制

与

np.zeros()

登录后复制

类似，

np.ones()

登录后复制

用于创建所有元素都是1的数组。

# 创建一个2x3的全壹数组
ones_arr = np.ones((2, 3))
print("\n全壹数组 (2x3):\n", ones_arr)

# 创建一个三维全壹数组
ones_3d = np.ones((2, 2, 2), dtype=np.float32)
print("三维全壹数组:\n", ones_3d)

登录后复制

4. 创建空数组：

np.empty()

登录后复制

np.empty()

登录后复制

会创建一个给定形状和数据类型的新数组，但不初始化其元素。这意味着数组中的值是内存中当前存在的任意值，可能看起来是随机的。这种方法比

np.zeros()

登录后复制

或

np.ones()

登录后复制

稍快，因为它不需要填充值。

立即学习“Python免费学习笔记（深入）”；

# 创建一个2x2的空数组
empty_arr = np.empty((2, 2))
print("\n空数组 (2x2):\n", empty_arr) # 注意：输出的值是未初始化的，每次运行可能不同

登录后复制

在我看来，

np.empty()

登录后复制

在需要一个占位符，然后立即用其他计算结果填充数组的场景下特别有用，可以避免不必要的初始化开销。

5. 创建指定范围的数组：

np.arange()

登录后复制

np.arange()

登录后复制

类似于Python内置的

range()

登录后复制

函数，但它返回的是一个NumPy数组。

# 从0到9的数组
arr_range = np.arange(10)
print("\narange(10):", arr_range)

# 从5到15，步长为2的数组
arr_step = np.arange(5, 16, 2)
print("arange(5, 16, 2):", arr_step)

登录后复制

6. 创建等间隔数组：

np.linspace()

登录后复制

np.linspace()

登录后复制

用于在指定区间内创建指定数量的均匀分布的数值。

# 在0到10之间生成5个等间隔的数
arr_linspace = np.linspace(0, 10, 5)
print("\nlinspace(0, 10, 5):", arr_linspace)

# 默认包含终点，可以通过endpoint=False排除
arr_linspace_no_end = np.linspace(0, 10, 5, endpoint=False)
print("linspace(0, 10, 5, endpoint=False):", arr_linspace_no_end)

登录后复制

linspace

登录后复制

在绘制函数图像、模拟物理过程时非常方便，因为它能保证数据的均匀分布。

7. 创建填充指定值的数组：

np.full()

登录后复制

如果你想用一个特定的常数值填充整个数组，

np.full()

登录后复制

是最佳选择。

# 创建一个3x3的数组，所有元素都为7
full_arr = np.full((3, 3), 7)
print("\n全7数组 (3x3):\n", full_arr)

# 创建一个一维数组，所有元素都为True
full_bool = np.full(4, True, dtype=bool)
print("全True布尔数组:", full_bool)

登录后复制

NumPy数组与Python列表有何本质区别，为何选择NumPy？

我刚开始用Python处理数据时，也觉得列表挺好用，直到数据量一大，才体会到NumPy的“真香”定律。NumPy数组和Python列表在表面上看起来都能存储一系列数据，但它们在底层实现、性能、内存使用以及功能上有着天壤之别。

本质区别：

数据类型统一性： NumPy数组要求所有元素都是同一数据类型（例如，全部是整数，或全部是浮点数）。这使得NumPy在内存中能以连续、紧凑的方式存储数据，从而实现高效的存取和计算。而Python列表可以存储不同类型的对象，它实际上存储的是指向这些对象的指针，而不是对象本身。
内存连续性： NumPy数组在内存中是连续存储的，这对于CPU缓存优化和矢量化操作至关重要。Python列表的元素则可能分散在内存各处。
性能： NumPy的底层是用C语言实现的，针对数值计算进行了高度优化。它支持矢量化操作，这意味着你可以在整个数组上执行操作，而无需编写显式的Python循环。Python列表的循环操作则是在解释器层面执行，效率远低于NumPy。
功能性： NumPy提供了大量的数学函数和线性代数操作，这些都是针对数组设计的，可以直接应用于整个数组，而无需手动遍历。Python列表虽然也有一些方法，但远不及NumPy在数值计算方面的丰富和高效。

为何选择NumPy：

效率与速度： 当你处理百万甚至上亿级别的数据时，NumPy的矢量化操作和C语言底层实现能带来数量级的性能提升。我记得有一次需要对一个大矩阵进行元素级乘法，用Python列表循环了几分钟，换成NumPy一行代码瞬间完成，那感觉真是震撼。
内存优化： 统一的数据类型和连续的内存布局使得NumPy数组比同等数据量的Python列表占用更少的内存。这对于内存受限的环境尤其重要。
强大的数学工具： NumPy是科学计算的基石，它提供了丰富的数学函数、傅里叶变换、随机数生成、线性代数等功能。这些功能让数据分析、机器学习和科学建模变得更加简单高效。
生态系统集成： 几乎所有Python数据科学库（如Pandas、SciPy、Matplotlib、Scikit-learn）都以NumPy数组作为其核心数据结构，学习NumPy是进入这些领域的必经之路。

简单来说，如果你只是需要一个通用容器来存储不同类型的少量数据，Python列表足够了。但一旦涉及到数值计算、大数据处理或者需要高性能的场景，NumPy数组几乎是唯一的、也是最佳的选择。

Sencha touch 开发指南中文WORD版

本文档主要讲述的是Sencha touch 开发指南；主要介绍如何使用Sencha Touch为手持设备进行应用开发，主要是针对iPhone这样的高端手机，我们会通过一个详细的例子来介绍整个开发的流程。 Sencha Touch是专门为移动设备开发应用的Javascrt框架。通过Sencha Touch你可以创建非常像native app的web app，用户界面组件和数据管理全部基于HTML5和CSS3的web标准，全面兼容Android和Apple iOS。希望本文档会给有需要的朋友带来帮助；感兴趣的

查看详情

创建不同维度（一维、二维、三维）的NumPy数组有哪些实用技巧？

刚接触多维数组时，脑子里总有点打结，但多练几次，就会发现其实就是列表的嵌套。NumPy数组的维度（

ndim

登录后复制

）和形状（

shape

登录后复制

）是理解其结构的关键。

1. 创建一维数组： 一维数组是最简单的形式，可以看作是数学中的向量。

从Python列表： 直接传入一个非嵌套的列表。

import numpy as np
vec = np.array([10, 20, 30, 40])
print("一维数组:\n", vec)
print("维度 (ndim):", vec.ndim) # 输出: 1
print("形状 (shape):", vec.shape) # 输出: (4,)

登录后复制

使用
np.arange()
登录后复制
或
np.linspace()
登录后复制
：这些函数默认创建的就是一维数组。
```
vec_range = np.arange(5)
print("\narange创建的一维数组:", vec_range)
```
登录后复制

2. 创建二维数组： 二维数组可以理解为数学中的矩阵，它是由行和列组成的。

从嵌套列表： 传入一个包含等长列表的列表。每个内部列表代表矩阵的一行。

matrix = np.array([[1, 2, 3],
                   [4, 5, 6],
                   [7, 8, 9]])
print("\n二维数组 (矩阵):\n", matrix)
print("维度 (ndim):", matrix.ndim) # 输出: 2
print("形状 (shape):", matrix.shape) # 输出: (3, 3)

登录后复制

这里，

shape

登录后复制

是

(3, 3)

登录后复制

，表示3行3列。

使用
np.zeros()
登录后复制
,
np.ones()
登录后复制
,
np.full()
登录后复制
等：传入一个表示形状的元组，如

(rows, cols)

登录后复制

。

zeros_2d = np.zeros((2, 5)) # 2行5列的全零矩阵
print("\n2x5全零数组:\n", zeros_2d)

登录后复制

reshape()
登录后复制
函数：可以将一维数组重新塑形为二维数组。这是一个非常灵活的技巧。
```
arr_1d_large = np.arange(12) # 0到11的一维数组
arr_2d_reshaped = arr_1d_large.reshape(3, 4) # 重新塑形为3行4列
print("\n通过reshape创建的二维数组:\n", arr_2d_reshaped)
```
登录后复制
```
reshape
```
登录后复制
操作非常强大，只要总元素数量匹配，你就可以随意改变数组的形状。使用
```
-1
```
登录后复制
作为
```
reshape
```
登录后复制
的一个维度参数，NumPy会自动计算该维度的大小，这在处理不确定行数或列数时非常方便。比如
```
arr.reshape(-1, 4)
```
登录后复制
表示“让它有4列，行数你来算”。

3. 创建三维数组： 三维数组可以想象成多个二维矩阵堆叠在一起，或者是一个立方体，每个维度代表一个轴（深度、行、列）。

从嵌套列表： 传入一个包含嵌套列表的列表，最外层列表包含多个二维数组结构。

tensor = np.array([[[1, 2], [3, 4]],
                   [[5, 6], [7, 8]],
                   [[9, 10], [11, 12]]])
print("\n三维数组 (张量):\n", tensor)
print("维度 (ndim):", tensor.ndim) # 输出: 3
print("形状 (shape):", tensor.shape) # 输出: (3, 2, 2)

登录后复制

这里的

shape

登录后复制

是

(3, 2, 2)

登录后复制

，表示有3个“层”（或深度），每层是2行2列的矩阵。

使用
np.zeros()
登录后复制
,
np.ones()
登录后复制
,
np.full()
登录后复制
等：传入一个三元组作为形状参数，如

(depth, rows, cols)

登录后复制

。

ones_3d = np.ones((2, 3, 4)) # 2个3行4列的矩阵
print("\n2x3x4全壹三维数组:\n", ones_3d)

登录后复制

reshape()
登录后复制
函数：同样可以将一维或二维数组重新塑形为三维。

arr_1d_large_24 = np.arange(24) # 0到23的一维数组
arr_3d_reshaped = arr_1d_large_24.reshape(2, 3, 4) # 重新塑形为2个3行4列的矩阵
print("\n通过reshape创建的三维数组:\n", arr_3d_reshaped)

登录后复制

掌握这些技巧后，无论数据以何种形式呈现，你都能灵活地将其组织成NumPy数组，为后续的计算和分析打下坚实基础。

如何在创建NumPy数组时指定数据类型（dtype）？这对性能和内存有何影响？

数据类型这东西，一开始可能觉得没那么重要，但当你处理大量图像像素或者金融数据时，一个合适的

dtype

登录后复制

能帮你省下不少麻烦，无论是内存还是计算精度。在创建NumPy数组时，通过

dtype

登录后复制

参数明确指定数据类型是一个非常好的习惯。

如何指定数据类型： 几乎所有的数组创建函数，如

np.array()

登录后复制

np.zeros()

登录后复制

np.ones()

登录后复制

np.empty()

登录后复制

np.full()

登录后复制

等，都接受一个

dtype

登录后复制

参数。你可以传入Python内置类型（如

int

登录后复制

float

登录后复制

bool

登录后复制

）或者NumPy特有的数据类型对象（如

np.int8

登录后复制

np.float32

登录后复制

np.complex64

登录后复制

）。

import numpy as np

# 使用Python内置类型
arr_int = np.array([1, 2, 3], dtype=int)
arr_float = np.array([1.0, 2.5, 3.7], dtype=float)
arr_bool = np.array([0, 1, 0], dtype=bool) # 0会被转为False，非0转为True
print("int数组:", arr_int, arr_int.dtype)
print("float数组:", arr_float, arr_float.dtype)
print("bool数组:", arr_bool, arr_bool.dtype)

# 使用NumPy特有类型
arr_int8 = np.array([10, 20, 30], dtype=np.int8) # 8位带符号整数，范围-128到127
arr_uint16 = np.zeros(5, dtype=np.uint16) # 16位无符号整数，范围0到65535
arr_float32 = np.ones((2,2), dtype=np.float32) # 32位浮点数
arr_complex = np.array([1+2j, 3+4j], dtype=np.complex64) # 64位复数 (32位实部+32位虚部)
print("\nint8数组:", arr_int8, arr_int8.dtype)
print("uint16数组:", arr_uint16, arr_uint16.dtype)
print("float32数组:\n", arr_float32, arr_float32.dtype)
print("complex64数组:", arr_complex, arr_complex.dtype)

登录后复制

NumPy提供了非常丰富的数据类型，从布尔值到各种位宽的整数（

int8

登录后复制

int16

登录后复制

int32

登录后复制

int64

登录后复制

uint8

登录后复制

等）、浮点数（

float16

登录后复制

float32

登录后复制

float64

登录后复制

float128

登录后复制

）、复数（

complex64

登录后复制

complex128

登录后复制

），甚至还有字符串和自定义结构体。

对性能和内存的影响：

内存使用：
- 显著影响： 这是
```
dtype
```
  登录后复制
  最直接的影响。一个
```
np.int8
```
  登录后复制
  类型的数组，每个元素只占用1字节内存；而
```
np.int64
```
  登录后复制
  则占用8字节。对于包含数百万甚至数十亿元素的数组，这种差异会带来巨大的内存消耗差距。
- 例子： 假设你有一个包含1亿个整数的数组，如果所有整数都在0-255之间，使用
```
np.uint8
```
  登录后复制
  只需要100MB内存。但如果默认使用
```
np.int64
```
  登录后复制
  （在64位系统上通常是Python整数的默认转换），则需要800MB内存。这对于内存受限的系统或者需要处理超大数据集时，是决定性的。
- 避免浪费： 明确指定最小且足够的数据类型可以有效减少内存占用，这在嵌入式系统、移动设备或云服务器上都是非常重要的优化手段。
计算性能：
- 处理器效率： 现代CPU通常对特定位宽的数据类型（如32位或64位整数/浮点数）有优化指令集。使用与CPU架构匹配的数据类型，可以加速计算。
- 缓存命中率： 内存占用越小，相同大小的缓存能容纳更多的数据。这意味着CPU在进行计算时，更有可能从高速缓存中获取数据，而不是从较慢的主内存中读取，从而提高计算速度。
- 精度与溢出：
  - 精度： 浮点数的精度（
```
float32
```
    登录后复制
    vs
```
float64
```
    登录后复制
    ）会影响计算结果的准确性。
```
float64
```
    登录后复制
    提供更高的精度，但占用更多内存和计算资源。在科学计算中，通常默认使用
```
float64
```
    登录后复制
    以保证精度，但在深度学习等领域，
```
float32
```
    登录后复制
    甚至
```
float16
```
    登录后复制
    已足够，且能大幅提升训练速度。
  - 溢出： 整数类型有其最大最小值。如果计算结果超出了数据类型能表示的范围，就会发生溢出。例如，
```
np.int8
```
    登录后复制
    的最大值是127，如果你将100+30存储到一个
```
np.int8
```
    登录后复制
    数组中，结果可能会“溢出”变成-126（取决于具体实现，通常是循环）。明确
```
dtype
```
    登录后复制
    可以帮助你预判并避免这类错误。