Python NumPy 创建数组的12种方法详解

NumPy 是 Python 科学计算的核心库，其核心功能之一是高效处理多维数组。本文ZHANID工具网将系统讲解 NumPy 中创建数组的 12 种方法，涵盖基础到高级场景，帮助您全面掌握数组构建技巧。

一、基础方法：从序列转换

1. numpy.array() - 基础转换

import numpy as np

# 从列表创建
arr1 = np.array([1, 2, 3])

# 从嵌套列表创建多维数组
arr2 = np.array([[1, 2], [3, 4]])

# 指定数据类型
arr3 = np.array([1.2, 3.4], dtype=np.int32)

特点：

• 保留原始数据顺序

• 可指定 dtype 强制类型转换

• 支持多维嵌套结构

2. numpy.asarray() - 安全转换

list_data = [5, 6, 7]
arr = np.asarray(list_data)

与 array() 的区别：

• 当输入已是数组时，不复制新数组

• 修改返回数组会影响原始数据（浅拷贝）

二、特殊值初始化

3. 全零数组 numpy.zeros()

# 一维数组
zeros_1d = np.zeros(3)

# 二维数组（3行2列）
zeros_2d = np.zeros((3, 2))

# 指定数据类型
zeros_float = np.zeros((2, 2), dtype=np.float16)

4. 全一数组 numpy.ones()

ones_arr = np.ones((2, 3), dtype=int)

5. 自定义常数数组 numpy.full()

# 所有元素为7
full_arr = np.full((2, 3), 7)

# 填充元组类型
full_complex = np.full((2, 2), (1+2j))

6. 未初始化数组 numpy.empty()

# 创建未初始化数组（内容随机）
empty_arr = np.empty((3, 3))

适用场景：需要快速分配内存且后续会完全覆盖值的场景

三、数值序列生成

7. 等差数列 numpy.arange()

# 类似 range() 函数
arr = np.arange(0, 10, 2)  # 输出 [0 2 4 6 8]

# 浮点数步长
float_arr = np.arange(0, 1, 0.2)  # 输出 [0.  0.2 0.4 0.6 0.8]

8. 线性等分 numpy.linspace()

# 在区间内生成指定数量等分点
lin_arr = np.linspace(0, 10, 5)  # 输出 [ 0.   2.5  5.   7.5 10. ]

# 不包含终点
lin_exclude = np.linspace(0, 10, 5, endpoint=False)

9. 对数等分 numpy.logspace()

# 在对数空间生成等比数列
log_arr = np.logspace(0, 3, 4)  # 输出 [  1.   10.  100. 1000.]

# 指定底数
log_base2 = np.logspace(0, 4, 5, base=2)

四、特殊结构数组

10. 单位矩阵 numpy.eye()

# 创建单位矩阵
identity_3x3 = np.eye(3)

# 创建对角矩阵
diag_matrix = np.eye(3, k=1)  # 主对角线偏移1位

11. 对角矩阵 numpy.diag()

# 从一维数组创建对角矩阵
diag_arr = np.diag([1, 2, 3])

# 提取矩阵对角线
extracted = np.diag(np.arange(9).reshape(3,3))

五、函数生成数组

12. numpy.fromfunction() - 函数映射

def func(i, j):
    return i * j

# 通过函数生成数组
func_arr = np.fromfunction(func, (3, 3), dtype=int)

输出：

[[0 0 0]
 [0 1 2]
 [0 2 4]]

六、随机数组生成

13. 随机数模块 numpy.random

# 均匀分布
rand_arr = np.random.rand(3, 2)

# 正态分布
randn_arr = np.random.randn(2, 2)

# 整数随机
randint_arr = np.random.randint(0, 10, (3,3))

七、选择策略指南

八、高级技巧

1. 类型自动推断

# 根据输入自动选择最小类型
auto_type = np.array([1, 2.0, 3+4j])  # 类型为 complex128

2. 内存连续性检查

arr = np.zeros((3, 3))[::2, ::2]
print(arr.flags['C_CONTIGUOUS'])  # False 表示非连续内存

3. 数组视图与副本

original = np.array([1, 2, 3])
view = original.view()  # 共享内存
copy = original.copy()   # 独立内存

九、性能对比

测试环境：Intel i7-11800H, 16GB RAM, NumPy 1.24.3

十、常见错误处理

1. 维度不匹配错误

# 错误示例：嵌套列表维度不一致
np.array([[1,2], [3]])  # ValueError: setting an array element with a sequence

2. 数据类型溢出

# 错误示例：大整数存储为 int8
np.array([200], dtype=np.int8)  # 输出 [-56]（发生溢出）

3. 形状广播限制

# 错误示例：无法广播的形状
np.ones((3,2)) + np.ones((3,))  # ValueError: operands could not be broadcast

总结

掌握多种数组创建方法可以：

1. 提升代码可读性（使用语义化的方法名）

2. 优化内存使用（如 empty() 在特定场景）

3. 简化复杂结构创建（如 fromfunction()）

4. 提高数值计算效率（如 linspace() 的精确控制）

建议根据具体场景选择最合适的方法，在内存敏感型应用中优先考虑连续内存布局，在需要精确数值控制的科学计算中选择 linspace()，在机器学习预处理中善用随机数组生成方法。