NumPy数组创建完全指南：从零搭建你的数字积木城

在机器学习实践过程中，NumPy是一个绕不开的基础工具，它提供了高效的数组运算能力，是进行数据处理的必备技能。本指南将详细介绍如何从零开始创建NumPy数组，涵盖多种创建方式与实用技巧，帮助你快速掌握这一核心强项。

NumPy数组创建完全指南：从零搭建你的数字积木城

---

为什么要学NumPy？

将机器学习比作一场冒险旅行，那么NumPy就是出发前必须掌握的基础技能课程，其重要性不言而喻。

在处理Python数据时，你很可能见过这一行类似“神咒”的代码：

import numpy as np

如此受推崇的原因可以总结为两点：速度快和操作简。

1. 向量化运算：告别繁复的for循环，用一行代码完成以前十行的工作。
2. 广播机制：形状不同的数组也能直接进行运算，这是原生Python列表无法做到的。

本文将带你从数组创建到变形运算，系统性地打牢NumPy基础——地基稳固，后续学习才能从容不迫。

---

一、np.array：从列表到数组，一步之遥

最直接的方式，就是将Python列表作为参数传入：

arr = np.array([1, 2, 3])
print(arr)  # [1 2 3]

可能会有人问，Python列表[1, 2, 3]也能用，为什么需要多此一举？

因为它们本质上是不同的数据类型：

	Python列表	NumPy数组
类型	可以容纳多种类型，例如int、str、dict可以混装	类型统一，一个数组只能包含一种数据类型
运算	[1,2]+[3,4] 结果为 [1,2,3,4]（拼接操作）	np.array([1,2])+np.array([3,4]) 结果为 [4 6]（逐元素相加）
速度	依赖于循环处理，速度较慢	底层采用C语言实现，计算速度极快

# Python列表：+ 代表拼接
[1, 2, 3] + [4, 5, 6]  # [1, 2, 3, 4, 5, 6]# NumPy数组：+ 代表数学运算
np.array([1, 2, 3]) + np.array([4, 5, 6])  # [5 7 9]

简单来说，列表侧重于“存储数据”，而数组侧重于“运算数据”。两者功能不同，不能混淆使用。

---

二、嵌套列表：给积木加个维度

一维数组像一条线，二维数组像一张表，三维数组则像一个立体箱子。通过嵌套列表可以逐层构建更高维度的结构：

list1 = [list(range(i, i+3)) for i in [2, 4, 6]]
print(list1)
# [[2, 3, 4], [6, 7, 8], [10, 11, 12]]c = np.array([range(i, i+3) for i in [2, 4, 6]])
print(c)
# [[ 2  3  4]
#  [ 6  7  8]
#  [10 11 12]]

每一层嵌套的列表就相当于结构的一个层级，层层叠加就能形成立体化的数据组织方式，其原理非常直观。

---

三、快速创建：NumPy的"模板工厂"

有些数组不需要手动逐一填充数值——全零、全一、等差数列等，NumPy已经预先准备好了相应的创建函数。

np.zeros：全0数组

nz = np.zeros(10, dtype=int)
print(nz)  # [0 0 0 0 0 0 0 0 0 0]

这行代码生成了十个零，排列整齐。指定dtype=int可以确保输出整数类型而非浮点数。

np.ones：全1数组

no = np.ones((3, 5))
print(no)
# [[1. 1. 1. 1. 1.]
#  [1. 1. 1. 1. 1.]
#  [1. 1. 1. 1. 1.]]

生成一个3行5列的全一数组，默认数据类型是浮点型（1.而非1）。如果需要整数，可以添加dtype=int参数。

np.arange：等差数列

该函数与Python内置的range功能相似，但直接返回NumPy数组：

na = np.arange(0, 20, 2)
print(na)  # [ 0  2  4  6  8 10 12 14 16 18]

对比两者：

list(range(0, 20, 2))  # [0, 2, 4, 6, 8, 10, 12, 14, 16, 18] ← 列表类型
np.arange(0, 20, 2)    # [ 0  2  4  6  8 10 12 14 16 18] ← 数组类型

虽然输出外观相似，但底层实现完全不同。一个是Python对象列表，另一个是NumPy的连续内存块。

---

四、随机数组：开盲盒时间

随机数生成是NumPy中一个有趣的功能——每次生成的结果都可能不同（除非设置了固定的随机种子）。

基础随机

a1 = np.random.random()           # 单个[0,1)区间的随机浮点数
a2 = np.random.random(1)          # 包含一个元素的数组
a3 = np.random.random((3, 3))     # 生成3×3的随机数组
a4 = np.random.random((2, 3, 4))  # 生成2层×3行×4列的三维随机数组

指定范围

a5 = np.random.uniform(5, 7, (2, 2))  # [5,7)区间内的随机浮点数，2×2大小
a6 = np.random.randint(5, 7, (2, 2))  # [5,7)区间内的随机整数，2×2大小

uniform函数负责生成浮点随机数，randint负责生成整数随机数，它们的参数格式保持一致。

正态分布

正态分布的核心特点是：多数数据集中在均值附近，向两侧延伸则逐渐稀疏。人的身高、考试成绩、测量误差等许多自然现象都近似服从这个分布。

# 均值为0，标准差为1，生成3×3的正态分布随机数组
np.random.normal(0, 1, (3, 3))# 简化版：标准正态分布
np.random.randn(3, 3)

种子：给随机数写剧本

计算机生成的随机数实际上是“伪随机”——由特定算法按固定规则计算得出。设置种子可以将计算规则固定下来，保证每次运行得到完全相同的结果。

np.random.seed(0)
a = np.random.random(3)
print(a)  # 每次运行都会输出相同的值

何时需要设置种子？在代码调试阶段。如果你的程序出现错误，需要复现问题来分析原因，就必须确保输入数据不变。种子机制就像游戏的“存档点”，帮助你在相同的条件下重复实验。

---

五、特殊数组：预制件

np.eye：单位矩阵

ne = np.eye(3)
print(ne)
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

主对角线上的元素为1，其余位置均为0。在线性代数中，单位矩阵是“乘法单位元”——任何矩阵与其相乘，结果保持不变。

np.empty：未初始化的数组

ney = np.empty(3)
print(ney)  # 输出的值是内存中的残留数据，不确定

使用np.empty就像打开一个未知内容的盒子——你无法预知里面会有什么数值。但它的创建速度极快，因为它跳过了初始化步骤，适合用于后期会逐个赋值的场景。

---

六、数组属性：读懂你的积木

数组创建后，如何了解其结构？可以通过查看其属性：

x = np.random.randint(10, size=(3, 4, 5))  # 3层×4行×5列

属性	含义	本例值
ndim	维度数量	3
shape	每个维度的大小	(3, 4, 5)
size	元素总个数	60
dtype	数据类型	int64
itemsize	单个元素占用的字节数	8
nbytes	占用的总字节数	480

print('维度:', x.ndim)       # 3
print('形状:', x.shape)      # (3, 4, 5)
print('大小:', x.size)       # 60
print('类型:', x.dtype)      # int64

需要记住的关系式：nbytes = itemsize × size。

---

七、切片：精准取值，小心副作用

切片是NumPy最常用的操作之一，但有一个需要特别注意的地方：切片返回的是视图，而非数据的副本。

x = np.array([[3, 5, 2, 4],
              [7, 6, 8, 8],
              [1, 6, 7, 7]])x_sub = x[:2, :2]  # 选取前两行、前两列
print(x_sub)
# [[3 5]
#  [7 6]]

视图的含义是：当你修改切片的数据时，原数组中的数据也会随之改变。

x_sub[0, :] = 9
print(x_sub)  # [[9 9] [7 6]]
print(x)      # 原数组也被同步修改了！
# [[9 9 2 4]
#  [9 9 8 8]
#  [1 6 7 7]]

这就像你透过窗户观察房间——你在窗外摆放了一个花瓶，发现房间内也凭空多了一个。

如果需要独立操作切片数据，应该使用.copy()方法：

x_sub_copy = x[:2, :2].copy()
x_sub_copy[0, :] = 1
print(x)             # 原数组不受影响
print(x_sub_copy)    # 副本独立变化

这相当于给原数据拍了一张照片，对照片的修改不会影响真实的场景。

---

八、变形：reshape与newaxis

reshape：改变形状，不改内容

grid = np.arange(1, 10)           # [1 2 3 4 5 6 7 8 9]
grid_reshape = grid.reshape((3, 3))
print(grid_reshape)
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]

9个元素可以重新排列成3×3的矩阵，但无法变成4×3——因为元素总数必须保持不变。

np.newaxis：增加一个维度

将一维数组转换为二维数组，本质是通过None插入一个长度为1的新维度：

x = np.array([1, 2, 3, 4, 5])# 变成一行（1×5）
x.reshape(1, 5)       # [[1 2 3 4 5]]
x[np.newaxis, :]      # 效果相同# 变成一列（5×1）
x.reshape(5, 1)       # [[1] [2] [3] [4] [5]]
x[:, np.newaxis]      # 效果相同

何时需要使用？当进行矩阵运算需要维度对齐的时候。例如，一个形状为(5,)的向量需要与一个形状为(3,5)的矩阵进行运算，首先需要将向量变为(1,5)的二维形状。

---

九、拼接与分裂：合体与分身

拼接：多个变一个

x = np.array([1, 2, 3])
y = np.array([3, 2, 1])
z = np.array([99, 99, 99])# 一维数组拼接
np.concatenate([x, y, z])  # [ 1  2  3  3  2  1 99 99 99]

二维数组则需要指定拼接方向：

grid = np.array([[1, 2, 3],
                 [4, 5, 6]])# axis=0：沿行方向上下堆叠
np.concatenate([grid, grid])
# [[1 2 3]
#  [4 5 6]
#  [1 2 3]
#  [4 5 6]]# axis=1：沿列方向左右拼接
np.concatenate([grid, grid], axis=1)
# [[1 2 3 1 2 3]
#  [4 5 6 4 5 6]]

NumPy还提供了两个快捷函数：

np.vstack([x, y, z, grid])  # 垂直堆叠，等价于axis=0
np.hstack([grid, grid])      # 水平堆叠，等价于axis=1

分裂：一个变多个

x = [0, 1, 2, 3, 4, 5, 6, 7, 8]
x1, x2, x3 = np.split(x, [3, 5])
print(x1, x2, x3)  # [0 1 2] [3 4] [5 6 7 8]

分裂规则：np.split(数组, [断点位置列表])，设定N个断点可以分割出N+1个子数组。

二维数组的分裂：

grid = np.arange(16).reshape(4, 4)# 垂直分割：按行划分
upper, lower = np.vsplit(grid, [2])# 水平分割：按列划分
left, right = np.hsplit(grid, [1])

---

十、通用函数：向量化的魔法

NumPy的运算允许直接对整个数组进行操作，无需编写for循环——这就是向量化的核心优势。

x = np.arange(4)
print('x     =', x)
print('x + 5 =', x + 5)           # [5 6 7 8]
print('x - 5 =', x - 5)           # [-5 -4 -3 -2]
print('x * 2 =', x * 2)           # [0 2 4 6]
print('x / 2 =', x / 2)           # [0.  0.5 1.  1.5]
print('x // 2 =', x // 2)         # [0 0 1 1]  整除取商
print('x % 2 =', x % 2)           # [0 1 0 1]  余数
print('x ** 2 =', x ** 2)         # [0 1 4 9]  幂运算
print('-x     =', -x)              # [0 -1 -2 -3]

每种运算都有对应的函数形式：np.add、np.subtract、np.multiply、np.divide、np.power……

绝对值

x = np.array([-2, -1, 0, 1, 2])
print(np.abs(x))           # [2 1 0 1 2]
print(np.absolute(x))      # 效果相同

复数的模

y = np.array([3 - 4j, 4 - 3j, 2 + 0j, 0 + 1j])
print(abs(y))  # [5. 5. 2. 1.]

对复数取绝对值，返回的是其模长——即实部与虚部的平方和再开根号。例如3-4j的模就是√(9+16)=5。

---

---

写在最后

回顾一下今天搭建的“积木”知识体系：

1. 基础创建：np.array 实现从列表到数组的快速转换，zeros/ones/arange 用于快速生成标准模板
2. 随机数组：random、uniform、normal 各有不同用途，seed 是调试过程中的“存档点”
3. 变形与操作：reshape 改变数组形状、切片返回数据视图、拼接分裂实现数据组合
4. 向量化运算：告别 for 循环，用单行代码完成批量计算

数组创建是 NumPy 学习道路的起点，而非终点。你可以将上面的速查表收藏备用，接下来可以继续探索以下内容：

1. 索引与切片进阶 — 包括花式索引、布尔索引等高级技巧
2. 广播机制 — 不同形状数组进行对齐运算的原理
3. 线性代数 — 矩阵乘法、特征值分解等线性代数操作
4. 实战项目 — 运用 NumPy 进行图像处理、数据分析等实际应用

---

速查表

场景	函数	一句话说明
从列表创建	np.array()	最基础的创建方式，可接受任意嵌套列表
全零	np.zeros()	用于初始化占位
全一	np.ones()	同上
等差数列	np.arange()	类似range函数，但直接返回数组
随机浮点	np.random.random()	[0,1)区间内
指定范围随机	np.random.uniform()	自定义数值区间
随机整数	np.random.randint()	整数版本
正态分布	np.random.normal()	高斯分布
固定种子	np.random.seed()	使随机结果可重现
单位矩阵	np.eye()	对角线为1，其余为0
未初始化	np.empty()	创建速度快，但值不确定
变形	reshape	改变形状但不改变数据内容
加维度	np.newaxis	将一维数组变为二维
拼接	concatenate/vstack/hstack	多个数组合并为一个
分裂	split/vsplit/hsplit	一个数组分割为多个

---

经过本次学习，你已经掌握了 NumPy 数组创建的核心技巧，可以在此基础上进行更深入的数据分析工作。