NumPy提供多种创建数组的方法：np.array()从列表转换数组，支持多维及类型自动转换；np.zeros()、np.ones()、np.full()分别创建全0、全1或指定值的数组；np.arange()按步长生成等差序列，np.linspace()按数量生成等间隔数；np.random.rand()、randint()、normal()生成不同分布的随机数组；可通过dtype参数指定数据类型以优化内存；reshape()可改变数组形状并支持-1自动推断维度；concatenate()、stack()、hstack()、vstack()实现沿轴或新维度的数组合并。
Numpy创建数组的方法很多，最常用的是
np.array()，但还有其他更灵活高效的方式，比如
np.zeros()、
np.ones()、
np.arange()等等。选择哪种方式取决于你的具体需求。
np.array()创建数组、np.zeros()、np.ones()、np.arange()、np.linspace()、np.random.rand()
如何使用np.array()
从Python列表创建NumPy数组？
np.array()是最基础的创建数组的方法。它接受一个Python列表或元组作为输入，并尝试将其转换为NumPy数组。
import numpy as np my_list = [1, 2, 3, 4, 5] my_array = np.array(my_list) print(my_array) # 输出: [1 2 3 4 5] print(type(my_array)) # 输出: <class 'numpy.ndarray'>
如果列表中的元素类型不一致，NumPy会尝试自动进行类型转换。比如，如果列表中同时包含整数和浮点数，那么所有元素都会被转换为浮点数。
立即学习“Python免费学习笔记（深入）”；
mixed_list = [1, 2.5, 3] mixed_array = np.array(mixed_list) print(mixed_array) # 输出: [1. 2.5 3. ] print(mixed_array.dtype) # 输出: float64
np.array()还可以创建多维数组：
matrix = [[1, 2, 3], [4, 5, 6]] matrix_array = np.array(matrix) print(matrix_array) # 输出: # [[1 2 3] # [4 5 6]] print(matrix_array.shape) # 输出: (2, 3)
np.zeros()
、np.ones()
和np.full()
有什么用途？
这三个函数用于创建特定形状且元素值相同的数组。
np.zeros()创建全0数组，
np.ones()创建全1数组，
np.full()可以指定填充的值。
zeros_array = np.zeros((2, 3)) # 创建一个2x3的全0数组 print(zeros_array) # 输出: # [[0. 0. 0.] # [0. 0. 0.]] ones_array = np.ones((3, 2)) # 创建一个3x2的全1数组 print(ones_array) # 输出: # [[1. 1.] # [1. 1.] # [1. 1.]] full_array = np.full((2, 2), 7) # 创建一个2x2的数组，所有元素都是7 print(full_array) # 输出: # [[7 7] # [7 7]]
这些函数在初始化数组时非常有用，尤其是在进行数值计算时。例如，你可以用
np.zeros()创建一个累加器，然后逐步更新它的值。
如何使用np.arange()
和np.linspace()
创建数值序列数组？
np.arange()类似于Python的
range()函数，但它返回的是一个NumPy数组。它可以生成一个等差数列，你需要指定起始值、终止值和步长。
arange_array = np.arange(0, 10, 2) # 从0开始，到10（不包含），步长为2 print(arange_array) # 输出: [0 2 4 6 8]
np.linspace()则用于生成指定数量的等间隔数值。你需要指定起始值、终止值和元素数量。
linspace_array = np.linspace(0, 1, 5) # 从0到1（包含），生成5个等间隔的数 print(linspace_array) # 输出: [0. 0.25 0.5 0.75 1. ]
np.arange()更适合需要精确控制步长的情况，而
np.linspace()更适合需要精确控制元素数量的情况。
np.linspace默认包含终止值，可以通过
endpoint=False来排除终止值，使其行为更像
arange。
如何创建随机数数组？
NumPy的
np.random模块提供了多种生成随机数的函数。
random_array = np.random.rand(2, 3) # 生成一个2x3的数组，元素是0到1之间的随机数 print(random_array) # 输出 (示例): # [[0.123 0.456 0.789] # [0.987 0.654 0.321]] randint_array = np.random.randint(0, 10, (3, 3)) # 生成一个3x3的数组，元素是0到9之间的随机整数 print(randint_array) # 输出 (示例): # [[1 2 3] # [4 5 6] # [7 8 9]] normal_array = np.random.normal(0, 1, (2, 2)) # 生成一个2x2的数组，元素服从均值为0，标准差为1的正态分布 print(normal_array) # 输出 (示例): # [[ 0.123 -0.456] # [-0.789 0.987]]
np.random.rand()生成均匀分布的随机数，
np.random.randint()生成随机整数，
np.random.normal()生成服从正态分布的随机数。 还有其他很多随机数生成函数，可以根据你的需求选择。
如何指定数组的数据类型？
NumPy数组的元素必须是相同类型的。NumPy会自动推断数据类型，但你也可以显式指定。
int_array = np.array([1, 2, 3], dtype=np.int32) print(int_array.dtype) # 输出: int32 float_array = np.array([1, 2, 3], dtype=np.float64) print(float_array.dtype) # 输出: float64 bool_array = np.array([0, 1, 0], dtype=bool) print(bool_array) # 输出: [False True False]
指定数据类型可以节省内存空间，提高计算效率。例如，如果你的数据都是整数，那么使用
np.int8或
np.int16可能比使用默认的
np.int64更合适。
如何改变现有数组的形状？
可以使用
np.reshape()函数改变数组的形状。
my_array = np.arange(12) print(my_array) # 输出: [ 0 1 2 3 4 5 6 7 8 9 10 11] reshaped_array = my_array.reshape((3, 4)) # 改变形状为3x4 print(reshaped_array) # 输出: # [[ 0 1 2 3] # [ 4 5 6 7] # [ 8 9 10 11]]
注意，
np.reshape()不会改变原始数组，而是返回一个新的数组。 如果你希望直接修改原始数组，可以使用
array.resize()方法。但
resize()会直接修改数组本身，并且如果新的尺寸大于原始尺寸，会用0填充。 另外，
reshape操作需要保证新数组的元素个数和原数组一致，否则会报错。可以使用
-1让 numpy 自动计算某个维度的大小。
my_array = np.arange(12) reshaped_array = my_array.reshape((2, -1)) # numpy 自动计算列数 print(reshaped_array) # 输出: # [[ 0 1 2 3 4 5] # [ 6 7 8 9 10 11]]
如何合并多个数组？
可以使用
np.concatenate()、
np.stack()、
np.hstack()和
np.vstack()等函数合并数组。
np.concatenate()可以沿着指定的轴连接数组。
a = np.array([[1, 2], [3, 4]]) b = np.array([[5, 6]]) concatenated_array = np.concatenate((a, b), axis=0) # 沿着行（axis=0）连接 print(concatenated_array) # 输出: # [[1 2] # [3 4] # [5 6]] c = np.array([[7, 8], [9, 10]]) concatenated_array = np.concatenate((a, c), axis=1) # 沿着列（axis=1）连接 print(concatenated_array) # 输出: # [[ 1 2 7 8] # [ 3 4 9 10]]
np.stack()沿着新的轴连接数组。
a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) stacked_array = np.stack((a, b), axis=0) # 沿着新的行（axis=0）堆叠 print(stacked_array) # 输出: # [[1 2 3] # [4 5 6]] stacked_array = np.stack((a, b), axis=1) # 沿着新的列（axis=1）堆叠 print(stacked_array) # 输出: # [[1 4] # [2 5] # [3 6]]
np.hstack()和
np.vstack()是
np.concatenate()的简化版本，分别用于水平和垂直方向的连接。
a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) hstack_array = np.hstack((a, b)) # 水平方向连接 print(hstack_array) # 输出: [1 2 3 4 5 6] vstack_array = np.vstack((a, b)) # 垂直方向连接 print(vstack_array) # 输出: # [[1 2 3] # [4 5 6]]
选择哪种合并方式取决于你希望如何组织数组。
concatenate最通用，
stack可以在新的维度上堆叠，而
hstack和
vstack则分别适用于水平和垂直拼接的场景。
