从 Python 列表创建数组

虽然 NumPy 提供了创建数组的专门函数（我们很快会看到），但一个非常常见的开始方法是将现有的 Python 数据结构，特别是列表，转换为 NumPy 数组。当你已经使用标准 Python 代码加载或生成了数据时，这通常是第一步。

用于此转换的主要函数是 np.array()。我们来看看它是如何工作的。

从列表创建一维数组

假设你有一个简单的 Python 数字列表：

import numpy as np

# 一个标准的 Python 列表
python_list = [5, 10, 15, 20, 25]
print(f"原始 Python 列表: {python_list}")
print(f"类型: {type(python_list)}")

# 将列表转换为 NumPy 数组
numpy_array = np.array(python_list)

print(f"转换后的 NumPy 数组: {numpy_array}")
print(f"类型: {type(numpy_array)}")
print(f"数组的数据类型 (dtype): {numpy_array.dtype}")

当你运行这段代码时，你会注意到以下几点：

1. np.array() 函数将 Python 列表作为输入。
2. 输出的 numpy_array 不再是标准的 Python 列表，而是 numpy.ndarray 类型的一个对象。这就是我们提到的 N 维数组。
3. NumPy 自动推断了元素的数据类型。由于所有元素都是整数，因此生成的数组的 dtype 为 int64（具体的整数类型，如 int32 或 int64，可能会因你的系统而略有不同）。

这种自动类型检测很方便。如果你的列表包含浮点数，NumPy 将创建一个浮点数组：

float_list = [1.0, 2.5, 3.7, 4.2]
float_array = np.array(float_list)
print(f"浮点数组: {float_array}")
print(f"浮点数组 dtype: {float_array.dtype}") # 可能是 float64

使用 np.array() 将一维 Python 列表转换为 NumPy ndarray。

从嵌套列表创建多维数组

NumPy 数组可以具有多个维度。你可以通过将嵌套的 Python 列表（包含其他列表的列表）传递给 np.array() 来创建多维数组。

# 一个嵌套的 Python 列表（列表的列表）
nested_list = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
print(f"原始嵌套列表:\n{nested_list}")

# 转换为一个二维 NumPy 数组
numpy_2d_array = np.array(nested_list)

print(f"转换后的二维 NumPy 数组:\n{numpy_2d_array}")
print(f"数组形状: {numpy_2d_array.shape}") # 输出: (3, 3) -> 3 行, 3 列
print(f"数组维度: {numpy_2d_array.ndim}") # 输出: 2
print(f"数组 dtype: {numpy_2d_array.dtype}") # 输出: int64（通常）

这里，包含三个整数的三个列表组成的列表被转换为一个 3 行 3 列的二维数组（一个矩阵）。NumPy 会相应地排列数据。

将嵌套的 Python 列表转换为二维 NumPy ndarray。

为了让 NumPy 高效地创建标准的二维数组，内部列表必须具有相同的长度。如果它们不一致，NumPy 可能会创建一个 dtype=object 的数组，每个元素都是一个 Python 对象（如列表），这通常会丧失 NumPy 数组的性能优势。

# 不规则列表的例子（谨慎使用）
uneven_list = [[1, 2], [3, 4, 5]]

# NumPy 可能会创建一个对象数组
# 注意：不同 NumPy 版本行为可能略有不同。
# 如有需要，显式设置 dtype=object 可确保此行为。
object_array = np.array(uneven_list, dtype=object)

print(f"不规则列表生成的数组:\n{object_array}")
print(f"数组 dtype: {object_array.dtype}") # 输出: object

指定数据类型 (dtype)

虽然 NumPy 的自动类型推断很有用，但有时你需要明确控制数组的数据类型。你可以使用 np.array() 函数中的 dtype 参数 (parameter)来指定所需的类型。这有助于：

• 内存管理： 较小的数据类型（如 float32 而不是 float64，或 int8 而不是 int64）使用的内存更少。
• 精度： 确保计算以足够的浮点精度执行。
• 兼容性： 匹配其他库或函数所需的数据类型。

下面是如何从整数列表创建一个浮点数数组：

integer_list = [1, 2, 3, 4]

# 从整数创建浮点数组
float_array = np.array(integer_list, dtype=float) # 或 np.float64, np.float32 等

print(f"原始整数列表: {integer_list}")
print(f"转换后的浮点数组: {float_array}")
print(f"数组 dtype: {float_array.dtype}") # 输出: float64（或指定的浮点类型）

# 创建一个较小整数类型的整数数组
int8_array = np.array(integer_list, dtype=np.int8)
print(f"转换后的 int8 数组: {int8_array}")
print(f"数组 dtype: {int8_array.dtype}") # 输出: int8

常见的 NumPy 数据类型包括 np.int8、np.int16、np.int32、np.int64、np.uint8（无符号整数）、np.float32、np.float64、np.complex64、np.complex128、np.bool_ 和 np.object_。选择正确的 dtype 是一个重要考量，尤其是在处理大型数据集时。

转换 Python 列表是开始使用 NumPy 数组的一种基本方法，它提供了一条从标准 Python 数据结构到 NumPy 强大数值计算能力的途径。在下一节中，我们将查看 NumPy 提供的直接创建数组的函数，无需预先存在 Python 列表。