Python使用NumPy创建数组的完全指南
六月的风带着点甜味，朋友圈被各种童真刷屏。趁着这个万物皆可"玩"的季节，咱们也来玩点硬核的——用NumPy搭积木。说真的，NumPy的数组和乐高没什么本质区别：都是用最简单的单元，拼出你想得到的一切。
为什么要学NumPy？
如果把机器学习比作精彩的冒险旅程，那 NumPy 就是出发前必学的基础技能课，缺一不可。
写Python处理数据，你大概率会遇到这行"神咒"：
import numpy as np
为什么绕不开它？两个字：快和简。
- 向量化运算：告别for循环，一行代码干完十行的活
- 广播机制：形状不同的数组也能直接算，Python原生列表做不到
今天这篇，从数组创建到变形运算，一次性把NumPy的基础打扎实——地基稳了，后面盖楼才不慌。
一、np.array：从列表到数组，一步之遥
最直觉的方式，把一个Python列表扔进去：
arr = np.array([1, 2, 3]) print(arr) # [1 2 3]
等等，Python列表[1, 2, 3]不也能用吗？为什么要多此一举？
因为它们压根不是一回事：
| Python列表 | NumPy数组 | |
|---|---|---|
| 类型 | 来者不拒，int、str、dict混着装 | 认死理，一个数组只认一种类型 |
| 运算 | [1,2]+[3,4] → [1,2,3,4]（拼接） | np.array([1,2])+np.array([3,4]) → [4 6]（逐元素加） |
| 速度 | 循环处理，慢 | 底层C实现，快到飞起 |
# Python列表：+ 是拼接 [1, 2, 3] + [4, 5, 6] # [1, 2, 3, 4, 5, 6] # NumPy数组：+ 是数学运算 np.array([1, 2, 3]) + np.array([4, 5, 6]) # [5 7 9]
一个管"装东西"，一个管"算东西"。功能不同，别混为一谈。
二、嵌套列表：给积木加个维度
一维数组是条线，二维是张表，三维就是个箱子。用嵌套列表可以一层层搭上去：
list1 = [list(range(i, i+3)) for i in [2, 4, 6]] print(list1) # [[2, 3, 4], [6, 7, 8], [10, 11, 12]] c = np.array([range(i, i+3) for i in [2, 4, 6]]) print(c) # [[ 2 3 4] # [ 6 7 8] # [10 11 12]]
每一层列表就是积木的一层，叠起来就成了立体结构。道理就这么朴素。
三、快速创建：NumPy的"模板工厂"
有些数组不需要你一个个填值——全0、全1、等差数列，NumPy早就帮你备好了模板。
np.zeros：全0数组
nz = np.zeros(10, dtype=int) print(nz) # [0 0 0 0 0 0 0 0 0 0]
十个零，整整齐齐。dtype=int让它输出整数而不是浮点数。
np.ones：全1数组
no = np.ones((3, 5)) print(no) # [[1. 1. 1. 1. 1.] # [1. 1. 1. 1. 1.] # [1. 1. 1. 1. 1.]]
3行5列，默认浮点型（1.不是1）。需要整型就加dtype=int。
np.arange：等差数列
和Python的range是亲兄弟，但直接返回NumPy数组：
na = np.arange(0, 20, 2) print(na) # [ 0 2 4 6 8 10 12 14 16 18]
对比一下：
list(range(0, 20, 2)) # [0, 2, 4, 6, 8, 10, 12, 14, 16, 18] ← 列表 np.arange(0, 20, 2) # [ 0 2 4 6 8 10 12 14 16 18] ← 数组
长得像，但底层完全不同。一个是Python对象，一个是NumPy的连续内存块。
四、随机数组：开盲盒时间
随机数是NumPy里最好玩的部分——你永远不知道下一个数是什么（除非你设了种子）。
基础随机
a1 = np.random.random() # 一个[0,1)的随机浮点数 a2 = np.random.random(1) # 包含一个元素的数组 a3 = np.random.random((3, 3)) # 3×3的随机数组 a4 = np.random.random((2, 3, 4)) # 2层×3行×4列，三维随机数组
指定范围
a5 = np.random.uniform(5, 7, (2, 2)) # [5,7)之间的随机浮点，2×2 a6 = np.random.randint(5, 7, (2, 2)) # [5,7)之间的随机整数，2×2
uniform管浮点，randint管整数，参数格式一样。
正态分布
正态分布的本质：大部分数据挤在中间，越往两头越稀疏。人的身高、考试成绩、测量误差，都近似这个分布。
# 均值0，标准差1，3×3的正态分布随机数组 np.random.normal(0, 1, (3, 3)) # 简写版：标准正态分布 np.random.randn(3, 3)
种子：给随机数写剧本
随机数其实是"伪随机"——由算法按固定规则生成。设种子就是把规则锁死，让每次运行结果一模一样。
np.random.seed(0) a = np.random.random(3) print(a) # 每次运行都输出相同的值
什么时候用？调试的时候。你的代码出了bug，想复现它，就得保证输入数据不变。种子就是你的"存档点"。
五、特殊数组：预制件
np.eye：单位矩阵
ne = np.eye(3) print(ne) # [[1. 0. 0.] # [0. 1. 0.] # [0. 0. 1.]]
对角线是1，其余是0。线性代数里的"乘法单位元"——任何矩阵乘以它，等于没乘。
np.empty：未初始化的数组
ney = np.empty(3) print(ney) # 值是内存里的残留，不确定
像开盲盒——你不知道里面是什么。但它创建速度极快，因为跳过了初始化步骤。适合你确定后面会逐个赋值的场景。
六、数组属性：读懂你的积木
数组创建好了，怎么了解它？看属性：
x = np.random.randint(10, size=(3, 4, 5)) # 3层×4行×5列
| 属性 | 含义 | 本例值 |
|---|---|---|
ndim | 维度数 | 3 |
shape | 各维度大小 | (3, 4, 5) |
size | 元素总数 | 60 |
dtype | 数据类型 | int64 |
itemsize | 单个元素占的字节数 | 8 |
nbytes | 总字节数 | 480 |
print('维度:', x.ndim) # 3
print('形状:', x.shape) # (3, 4, 5)
print('大小:', x.size) # 60
print('类型:', x.dtype) # int64
nbytes = itemsize × size，记住这个关系就行。
七、切片：精准取值，小心副作用
切片是NumPy最常用的操作之一，但有个坑：切片返回的是视图，不是副本。
x = np.array([[3, 5, 2, 4],
[7, 6, 8, 8],
[1, 6, 7, 7]])
x_sub = x[:2, :2] # 前两行、前两列
print(x_sub)
# [[3 5]
# [7 6]]
视图的意思是：你改切片，原数组也跟着变。
x_sub[0, :] = 9 print(x_sub) # [[9 9] [7 6]] print(x) # 原数组也被改了！ # [[9 9 2 4] # [9 9 8 8] # [1 6 7 7]]
这就像你通过窗户看房间——你在窗外摆了个花瓶，房间里也多了一个。
想独立操作？用.copy()：
x_sub_copy = x[:2, :2].copy() x_sub_copy[0, :] = 1 print(x) # 原数组不受影响 print(x_sub_copy) # 副本独立变化
拍了张照片，照片里的改动不会影响真实的房间。
八、变形：reshape与newaxis
reshape：改变形状，不改内容
grid = np.arange(1, 10) # [1 2 3 4 5 6 7 8 9] grid_reshape = grid.reshape((3, 3)) print(grid_reshape) # [[1 2 3] # [4 5 6] # [7 8 9]]
9个元素可以排成3×3，但排不成4×3——元素总数必须不变。
np.newaxis：增加一个维度
把一维变二维，本质是用None插入一个长度为1的维度：
x = np.array([1, 2, 3, 4, 5]) # 变成一行（1×5） x.reshape(1, 5) # [[1 2 3 4 5]] x[np.newaxis, :] # 效果一样 # 变成一列（5×1） x.reshape(5, 1) # [[1] [2] [3] [4] [5]] x[:, np.newaxis] # 效果一样
什么时候用？做矩阵运算需要对齐维度的时候。比如一个(5,)的向量要和一个(3,5)的矩阵运算，得先把向量变成(1,5)。
九、拼接与分 裂：合体与分身
拼接：多个变一个
x = np.array([1, 2, 3]) y = np.array([3, 2, 1]) z = np.array([99, 99, 99]) # 一维拼接 np.concatenate([x, y, z]) # [ 1 2 3 3 2 1 99 99 99]
二维数组要指定方向：
grid = np.array([[1, 2, 3],
[4, 5, 6]])
# axis=0：上下叠（行方向）
np.concatenate([grid, grid])
# [[1 2 3]
# [4 5 6]
# [1 2 3]
# [4 5 6]]
# axis=1：左右拼（列方向）
np.concatenate([grid, grid], axis=1)
# [[1 2 3 1 2 3]
# [4 5 6 4 5 6]]
还有两个快捷函数：
np.vstack([x, y, z, grid]) # 垂直栈，等价于axis=0 np.hstack([grid, grid]) # 水平栈，等价于axis=1
分 裂：一个变多个
x = [0, 1, 2, 3, 4, 5, 6, 7, 8] x1, x2, x3 = np.split(x, [3, 5]) print(x1, x2, x3) # [0 1 2] [3 4] [5 6 7 8]
规则：np.split(数组, [断点列表])，N个断点切出N+1段。
二维的分 裂：
grid = np.arange(16).reshape(4, 4) # 垂直切：按行分 upper, lower = np.vsplit(grid, [2]) # 水平切：按列分 left, right = np.hsplit(grid, [1])
十、通用函数：向量化的魔法
NumPy的运算不需要for循环，直接对整个数组操作——这就是向量化。
x = np.arange(4)
print('x =', x)
print('x + 5 =', x + 5) # [5 6 7 8]
print('x - 5 =', x - 5) # [-5 -4 -3 -2]
print('x * 2 =', x * 2) # [0 2 4 6]
print('x / 2 =', x / 2) # [0. 0.5 1. 1.5]
print('x // 2 =', x // 2) # [0 0 1 1] 取商
print('x % 2 =', x % 2) # [0 1 0 1] 取余
print('x ** 2 =', x ** 2) # [0 1 4 9] 幂运算
print('-x =', -x) # [0 -1 -2 -3]
每种运算都有对应的函数版本：np.add、np.subtract、np.multiply、np.divide、np.power……
绝对值
x = np.array([-2, -1, 0, 1, 2]) print(np.abs(x)) # [2 1 0 1 2] print(np.absolute(x)) # 效果一样
复数的模
y = np.array([3 - 4j, 4 - 3j, 2 + 0j, 0 + 1j]) print(abs(y)) # [5. 5. 2. 1.]
复数取绝对值返回的是模——实部和虚部平方和再开根号。3-4j的模就是√(9+16)=5。
小时候玩积木，一块一块往上垒，最后能搭出城堡、飞船、整个城市。现在玩NumPy，一个数组一个数组地创建、变形、拼接，最后能处理海量数据、训练模型、解决真实问题。
工具变了，本质没变：从最简单的单元出发，耐心搭建，直到看见全貌。
写在最后
回顾一下今天搭的"积木"：
- 基础创建：
np.array从列表一步到位，zeros/ones/arange快速生成模板 - 随机数组：
random、uniform、normal各有用途，seed是调试的存档点 - 变形与操作：
reshape改形状、切片取视图、拼接分 裂玩组合 - 向量化运算：告别
for循环，一行代码搞定批量计算
数组创建是 NumPy 的起点，不是终点。上面的速查表可以收藏备用，接下来你可以继续探索：
- 索引与切片进阶 — 花式索引、布尔索引
- 广播机制 — 不同形状的数组如何对齐运算
- 线性代数 — 矩阵乘法、特征值分解
- 实战项目 — 用 NumPy 做图像处理、数据分析
速查表
| 场景 | 函数 | 一句话说明 |
|---|---|---|
| 从列表创建 | np.array() | 最基础，什么都往里塞 |
| 全零 | np.zeros() | 初始化占位 |
| 全一 | np.ones() | 同上 |
| 等差数列 | np.arange() | 类似range，但返回数组 |
| 随机浮点 | np.random.random() | [0,1)区间 |
| 指定范围随机 | np.random.uniform() | 自定义区间 |
| 随机整数 | np.random.randint() | 整数版 |
| 正态分布 | np.random.normal() | 高斯分布 |
| 固定种子 | np.random.seed() | 让随机不随机 |
| 单位矩阵 | np.eye() | 对角线1，其余0 |
| 未初始化 | np.empty() | 快，但值不确定 |
| 变形 | reshape | 改形状不改内容 |
| 加维度 | np.newaxis | 一维变二维 |
| 拼接 | concatenate/vstack/hstack | 合体 |
| 分 裂 | split/vsplit/hsplit | 分身 |
大家在实际项目中用过哪些 NumPy 的创建技巧？有没有踩过什么坑？
以上就是Python使用NumPy创建数组的完全指南的详细内容，更多关于Python NumPy创建数组的资料请关注脚本之家其它相关文章！
相关文章
Selenium 是一个用于 Web 应用程序测试的工具,最初是为网站自动化测试而开发的,可以直接运行在浏览器上,是 Python 的一个第三方库,对外提供的接口能够操作浏览器,从而让浏览器完成自动化的操作,本文介绍了如何利用Python中的Selenium实现简单的中英互译2024-08-08
这篇文章主要介绍了Python中列表(List)的详解操作方法,包含创建、访问、更新、删除、其它操作等,需要的朋友可以参考下2021-10-10
Pytest失败重跑机制pytest-rerunfailures的实现
pytest-rerunfailures插件是解决自动化测试偶发故障的有效工具,通过--reruns设置重试次数和--reruns-delay配置间隔时间,具有一定的参考价值,感兴趣的可以了解一下2025-06-06
python opencv实现直线检测并测出倾斜角度(附源码+注释)
这篇文章主要介绍了python opencv实现直线检测并测出倾斜角度(附源码+注释)，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2020-12-12
Django之使用celery和NGINX生成静态页面实现性能优化
这篇文章主要介绍了Django之使用celery和NGINX生成静态页面实现性能优化,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-10-10
这篇文章主要介绍了Python中处理字符串的相关的len()方法的使用简介,是Python入门的基础知识,需要的朋友可以参考下2015-05-05
本文主要介绍了python 巡检脚本的项目实践，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2023-04-04
NLTK（Natural Language Toolkit）是一个Python库,用于实现自然语言处理（NLP）的许多任务,NLTK包括一些有用的工具和资源,如文本语料库、词性标注器、语法分析器等,在这篇初级教程中,我们将了解NLTK的基础功能,需要的朋友可以参考下2023-08-08
享一个Python获取远程文件大小的函数代码，简单实用，是学习Python编程的基础实例。2015-05-05
这篇文章主要介绍了python海龟绘图实例教程,需要的朋友可以参考下2014-07-07
最新评论