创建 NumPy 数组

NumPy 是 Python 数值计算任务的主要库。其基本数据结构是 ndarray，理解如何创建这些数组是基础。ndarray 可以视为 Python 列表的增强版本，专门为快速数学运算设计。

创建 NumPy 数组有几种常见方法。

从 Python 列表创建数组

创建 NumPy 数组最直接的方法是使用 np.array() 函数将现有的 Python 列表或元组进行转换。NumPy 会从列表元素中智能推断数据类型（例如整数或浮点数），但你也可以明确指定它。

我们先从一个简单的 Python 列表开始，并将其转换为一维 NumPy 数组（通常用于表示向量 (vector)）：

import numpy as np

# 一个普通的 Python 列表
my_list = [1, 2, 3, 4, 5]

# 将列表转换为 NumPy 数组
my_vector = np.array(my_list)

print(my_vector)
print(type(my_vector))

执行这段代码会得到以下输出：

[1 2 3 4 5]
<class 'numpy.ndarray'>

请注意输出格式 [1 2 3 4 5]，其中没有逗号。这是 NumPy 显示数组的标准方式。此外，类型也确认为 numpy.ndarray。

通过传递一个列表的列表，我们可以创建二维数组（我们将其用于矩阵）：

import numpy as np

# 一个列表的列表
my_nested_list = [[1, 2, 3], [4, 5, 6]]

# 转换为二维 NumPy 数组（矩阵）
my_matrix = np.array(my_nested_list)

print(my_matrix)

这将产生：

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

NumPy 将数据排列成行和列，在此例中形成一个 2x3 矩阵。

使用数组创建函数

NumPy 提供方便的函数来创建带有初始占位内容的数组，例如全零、全一或数字序列。这通常比先创建一个 Python 列表更有效。

零数组：np.zeros()

np.zeros() 函数创建一个完全填充零的数组。你必须以元组形式指定数组所需的形状。

import numpy as np

# 创建一个包含 4 个零的一维数组（向量）
zeros_vector = np.zeros(4)
print("零向量：")
print(zeros_vector)

# 创建一个 2 行 3 列的二维零数组（矩阵）
zeros_matrix = np.zeros((2, 3))
print("\n零矩阵：")
print(zeros_matrix)

输出：

Vector of zeros:
[0. 0. 0. 0.]

Matrix of zeros:
[[0. 0. 0.]
 [0. 0. 0.]]

请注意，默认数据类型是浮点数（0.）。

全一数组：np.ones()

同样，np.ones() 创建一个完全填充一的数组。它也需要将形状作为参数 (parameter)。

import numpy as np

# 创建一个包含 3 个一的一维数组（向量）
ones_vector = np.ones(3)
print("全一向量：")
print(ones_vector)

# 创建一个 3x2 的全一矩阵
ones_matrix = np.ones((3, 2))
print("\n全一矩阵：")
print(ones_matrix)

输出：

Vector of ones:
[1. 1. 1.]

Matrix of ones:
[[1. 1.]
 [1. 1.]
 [1. 1.]]

同样，默认类型是浮点数。

序列数组：np.arange()

np.arange() 函数类似于 Python 内置的 range() 函数，但它返回一个 NumPy 数组而非列表迭代器。它在指定的区间内生成带有特定步长的值。

• np.arange(stop)：从 0 开始，直到（不包含）stop 的值。
• np.arange(start, stop)：从 start 开始，直到（不包含）stop 的值。
• np.arange(start, stop, step)：从 start 开始，直到（不包含）stop 的值，每次增加 step。

import numpy as np

# 从 0 开始直到（不包含）5 的数组
arr1 = np.arange(5)
print("np.arange(5)：")
print(arr1)

# 从 2 开始直到（不包含）8 的数组
arr2 = np.arange(2, 8)
print("\nnp.arange(2, 8)：")
print(arr2)

# 从 1 开始直到（不包含）10 的数组，步长为 2
arr3 = np.arange(1, 10, 2)
print("\nnp.arange(1, 10, 2)：")
print(arr3)

输出：

np.arange(5):
[0 1 2 3 4]

np.arange(2, 8):
[2 3 4 5 6 7]

np.arange(1, 10, 2):
[1 3 5 7 9]

np.arange 通常在所有参数均为整数时创建整数数组，但如果任一参数为浮点数，则可以创建浮点数组。

线性等距数组：np.linspace()

另一个有用的函数是 np.linspace(start, stop, num)，它在 start 和 stop 之间（包含两端）创建 num 个均匀分布的值组成的数组。

import numpy as np

# 创建一个在 0 到 1 之间（包含两端）有 5 个均匀分布值的数组
linear_arr = np.linspace(0, 1, 5)
print("np.linspace(0, 1, 5)：")
print(linear_arr)

# 创建一个在 10 到 40 之间有 4 个均匀分布值的数组
another_linear = np.linspace(10, 40, 4)
print("\nnp.linspace(10, 40, 4)：")
print(another_linear)

输出：

np.linspace(0, 1, 5):
[0.   0.25 0.5  0.75 1.  ]

np.linspace(10, 40, 4):
[10. 20. 30. 40.]

当你需要在某个范围内获得特定数量的点时，这会特别方便。

指定数据类型

NumPy 数组有与之关联的特定数据类型（dtype），例如 int64（64 位整数）或 float64（64 位浮点数）。尽管 NumPy 通常能正确推断类型，但你可以在创建时使用 dtype 参数 (parameter)明确设置它。这对于控制内存使用或确保数值精度很重要。

import numpy as np

# 创建一个零数组，明确设置类型为整数
int_zeros = np.zeros((2, 2), dtype=np.int32)
print("整数零矩阵：")
print(int_zeros)
print("数据类型：", int_zeros.dtype)

# 从列表创建一个数组，明确设置类型为浮点数
float_array = np.array([1, 2, 3], dtype=np.float64)
print("\n浮点数数组：")
print(float_array)
print("数据类型：", float_array.dtype)

输出：

Integer zeros matrix:
[[0 0]
 [0 0]]
Data type: int32

Float array:
[1. 2. 3.]
Data type: float64

你现在有多种方法来创建 NumPy 数组：直接从 Python 列表转换，或使用 np.zeros、np.ones、np.arange 和 np.linspace 等专用函数。这些方法为表示我们在线性代数和机器学习 (machine learning)中将大量使用的向量 (vector)和矩阵提供了基础组件。在接下来的章节中，我们将学习如何访问这些数组中的元素并执行基本操作。