实践操作：创建和查看数组

示例演示了使用多种方法创建多个 NumPy 数组。创建后，使用查看属性检查这些数组的结构。

首先，请确保已安装 NumPy 并将其导入。通常的约定是将其导入为别名 np。如果你在 Jupyter Notebook 或交互式 Python 环境中工作，请执行以下代码：

import numpy as np

从 Python 列表创建数组

创建 NumPy 数组最直接的方法是从现有 Python 列表或元组创建。

1. 一维数组： 让我们从一个简单的整数列表开始。

# 创建一个 Python 列表
list_1d = [1, 3, 5, 7, 9]

# 从列表中创建一个 NumPy 数组
array_1d = np.array(list_1d)

# 打印数组
print(array_1d)

输出：

[1 3 5 7 9]

现在，让我们查看其属性：

print(f"类型: {type(array_1d)}")
print(f"数据类型 (dtype): {array_1d.dtype}")
print(f"维度 (ndim): {array_1d.ndim}")
print(f"形状: {array_1d.shape}")
print(f"大小: {array_1d.size}")

输出：

类型: <class 'numpy.ndarray'>
数据类型 (dtype): int64
维度 (ndim): 1
形状: (5,)
大小: 5

请注意，NumPy 将数据类型推断为 int64（一个64位整数，默认整数类型通常取决于你的系统）。它是一个1维数组（ndim=1），包含5个元素（size=5），其形状表示为 (5,)，表示沿着单个轴有5个元素。

2. 二维数组： 现在，让我们使用嵌套列表来创建一个2维数组（类似于矩阵）。

# 创建一个嵌套的 Python 列表
list_2d = [[1, 2, 3], [4, 5, 6]]

# 创建一个 2D NumPy 数组
array_2d = np.array(list_2d)

# 打印数组
print(array_2d)

输出：

[[1 2 3]
 [4 5 6]]

让我们查看这个2维数组：

print(f"数据类型 (dtype): {array_2d.dtype}")
print(f"维度 (ndim): {array_2d.ndim}")
print(f"形状: {array_2d.shape}")
print(f"大小: {array_2d.size}")

输出：

数据类型 (dtype): int64
维度 (ndim): 2
形状: (2, 3)
大小: 6

这次，NumPy 正确识别出它是一个2维数组（ndim=2）。形状 (2, 3) 告诉我们它有2行3列。元素总数（size）是 $2 \times 3 = 6$。

使用内置数组创建函数

NumPy 提供无需从 Python 列表开始创建数组的函数，这通常更高效。

1. np.zeros 和 np.ones： 这些函数分别创建填充零或一的数组。你需要将所需形状作为元组提供。

# 创建一个 3x4 的全零数组
zeros_array = np.zeros((3, 4))
print("全零数组:
", zeros_array)
print(f"全零数组数据类型: {zeros_array.dtype}
") # 默认为 float64

# 创建一个包含 5 个一的 1D 数组，指定整数类型
ones_array = np.ones(5, dtype=np.int16)
print("全一数组:
", ones_array)
print(f"全一数组数据类型: {ones_array.dtype}")
print(f"全一数组形状: {ones_array.shape}")

输出：

全零数组:
 [[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]
全零数组数据类型: float64

全一数组:
 [1 1 1 1 1]
全一数组数据类型: int16
全一数组形状: (5,)

注意 np.zeros 默认为浮点数（float64），而我们为 np.ones 明确要求了16位整数（int16）。

2. np.arange： 类似于 Python 的 range，但返回一个 NumPy 数组。

# 创建一个数组，值从 0 开始到（但不包含）10，步长为 2
range_array = np.arange(0, 10, 2)
print("Arange 数组:
", range_array)
print(f"Arange 形状: {range_array.shape}")
print(f"Arange 数据类型: {range_array.dtype}")

输出：

Arange 数组:
 [0 2 4 6 8]
Arange 形状: (5,)
Arange 数据类型: int64

3. np.linspace： 创建一个数组，包含指定数量的元素，这些元素在起始值和结束值之间均匀间隔（包含两端）。

# 创建一个数组，包含 6 个在 0 到 1 之间（包含两端）均匀间隔的值
linspace_array = np.linspace(0, 1, 6)
print("Linspace 数组:
", linspace_array)
print(f"Linspace 形状: {linspace_array.shape}")
print(f"Linspace 数据类型: {linspace_array.dtype}")

输出：

Linspace 数组:
 [0.  0.2 0.4 0.6 0.8 1. ]
Linspace 形状: (6,)
Linspace 数据类型: float64

理解数据类型 (dtypes)

NumPy 数组之所以高效，是因为所有元素通常共享相同的数据类型。让我们看看当我们创建数组并指定类型时会发生什么。

# 从包含浮点数的列表创建数组
float_array = np.array([1.0, 2.5, 3.7, 4.2])
print("浮点数数组:", float_array)
print(f"数据类型: {float_array.dtype}
")

# 明确指定整数类型（会发生截断）
int_from_float = np.array([1.0, 2.5, 3.7, 4.2], dtype=np.int32)
print("从浮点数转换的整数数组:", int_from_float)
print(f"数据类型: {int_from_float.dtype}
")

# 从混合列表创建（NumPy 会向上转换到兼容类型）
mixed_array = np.array([1, 2.5, 3, 4.8])
print("混合数组:", mixed_array)
print(f"数据类型: {mixed_array.dtype}")

输出：

浮点数数组: [1.  2.5 3.7 4.2]
数据类型: float64

从浮点数转换的整数数组: [1 2 3 4]
数据类型: int32

混合数组: [1.  2.5 3.  4.8]
数据类型: float64

当我们强制将浮点数转换为 int32 数组时，小数部分被截断了。当从包含整数和浮点数的混合列表创建数组且未指定 dtype 时，NumPy 会智能地将所有元素向上转换为 float64，以容纳浮点数且不丢失信息。

数组结构可视化

有时，视觉表示有助于理解结构，特别是对于2维数组。让我们将之前创建的 array_2d（$[[1, 2, 3], [4, 5, 6]]$）可视化，它的形状是 (2, 3)。

热力图形象地表示了 array_2d 的2行3列。每个单元格对应数组中的一个元素，显示其值和位置。

本次实践环节涵盖了从列表创建 NumPy 数组，以及使用 np.zeros、np.ones、np.arange 和 np.linspace 等专用函数。我们还练习了查看数组的基本属性：dtype、ndim、shape 和 size。理解这些创建方法和属性是有效使用 NumPy 进行数值计算任务的重要前提。你现在已具备能力，可以创建 Python 中数据分析和科学计算的基本构成要素。