2.2.3  ndarray的创建

用途	方法	语法示例	核心作用	输出示例
基础构造
▪ 从 Python 数据结构创建	np.array()	np.array([[1, 2], [3, 4]])	将列表/元组转换为 ndarray	array([[1, 2], [3, 4]])
▪ 复制数组	np.copy()	np.copy(arr)	创建独立副本（深拷贝）	与原数组相同但不共享内存
预定义形状填充
▪ 全0数组	np.zeros()	np.zeros((2,3))	快速初始化全0数组	[[0., 0., 0.], [0., 0., 0.]]
▪ 全1数组	np.ones()	np.ones((3,2), dtype=int)	快速初始化全1数组	[[1, 1], [1, 1], [1, 1]]
▪ 未初始化数组	np.empty()	np.empty((2,2))	预分配内存（值随机）	随机值（如 [[1e-323, 0.], [0., 0.]]）
▪ 填充固定值	np.full()	np.full((2,3), 5)	用指定值填充数组	[[5, 5, 5], [5, 5, 5]]
基于数值范围生成
▪ 等差序列	np.arange()	np.arange(0, 10, 2)	生成步长固定的序列（不含终点）	[0, 2, 4, 6, 8]
▪ 等间隔序列	np.linspace()	np.linspace(0, 1, 5)	生成指定数量的等间隔值（含终点）	[0.0, 0.25, 0.5, 0.75, 1.0]
▪ 对数间隔序列	np.logspace()	np.logspace(0, 2, 3, base=10)	生成对数间隔值（如 10^0, 10^1, 10^2）	[1.0, 10.0, 100.0]
特殊矩阵生成
▪ 单位矩阵	np.eye()	np.eye(3)	生成单位矩阵（对角线为1）	[[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]]
▪ 对角矩阵	np.diag()	np.diag([1, 2, 3])	生成以指定值为对角线的矩阵	[[1, 0, 0], [0, 2, 0], [0, 0, 3]]
随机数组生成
▪ 均匀分布随机数	np.random.rand()	np.random.rand(2,2)	生成 [0,1) 均匀分布的随机数	[[0.43, 0.89], [0.21, 0.57]]
▪ 正态分布随机数	np.random.randn()	np.random.randn(2,2)	生成标准正态分布随机数（均值为0，方差为1）	[[-0.5, 1.2], [0.3, -1.8]]
▪ 随机整数	np.random.randint()	np.random.randint(1,10, (2,2))	生成指定范围内的随机整数	[[3, 7], [5, 2]]
高级构造方法
▪ 从字符串创建	np.array()	np.array([‘a’, ‘bc’])	将字符串转换为字符数组	array([‘a’, ‘bc’], dtype='<U2′)
▪ 从文件读取	np.loadtxt()	np.loadtxt(‘data.txt’)	从文本文件加载数据	依赖文件内容（如 [[1., 2.], [3., 4.]]）
▪ 函数生成数组	np.fromfunction()	np.fromfunction(lambda i,j: i+j, (3,3))	根据函数生成数组元素	[[0., 1., 2.], [1., 2., 3.], [2., 3., 4.]]

创建方法汇总

1. 基础构造：  适用于手动构建小规模数组或复制已有数据。
2. 预定义形状填充：  用于快速初始化固定形状的数组（如全0占位、全1初始化）。
3. 基于数值范围生成：  生成数值序列，常用于模拟时间序列、坐标网格等。
4. 特殊矩阵生成：  数学运算专用（如线性代数中的单位矩阵）。
5. 随机数组生成：  模拟实验数据、初始化神经网络权重等场景。
6. 高级构造方法：  处理非结构化数据（如文件、字符串）或通过函数生成复杂数组。

2.2.3.1  从 Python 数据结构转换

将 Python 列表、元组等转换为 ndarray，是最直接的方式。

np.array(object, dtype=None)

import numpy as np

# 从列表创建一维数组
arr1 = np.array([1, 2, 3])
print(arr1)  # 输出: [1 2 3]

# 从嵌套列表创建二维数组
arr2 = np.array([[1, 2], [3, 4]])
print(arr2)
# 输出:
# [[1 2]
#  [3 4]]

# 指定数据类型
arr3 = np.array([1, 2.5], dtype=np.float32)
print(arr3.dtype)  # 输出: float32

注意事项

• 混合类型时，NumPy 会统一为最高优先级类型（如 int + float → float，数值 + 字符串 → 字符串）。
• 列表的嵌套层级决定 ndim（维度数）。

2.2.3.2 预定义形状填充

np.zeros(shape, dtype=float)  # 全0  返回给定形状和类型的新数组，用0填充。
np.ones(shape, dtype=float)   # 全1  返回给定形状和类型的新数组，用1填充。
# 创建 2x3 全0浮点数组
zeros_arr = np.zeros((2, 3))
print(zeros_arr)
# 输出:
# [[0. 0. 0.]
#  [0. 0. 0.]]

# 创建 3x2 全1整数数组
ones_arr = np.ones((3, 2), dtype=int)
print(ones_arr)
# 输出:
# [[1 1]
#  [1 1]
#  [1 1]]

默认数据类型为 float64，需显式指定 dtype 为 int 或其他类型。

未初始化的数组 (np.empty)

np.empty(shape, dtype=float)

返回给定形状和类型的未初始化的新数组。

创建未初始化的数组（值随机，取决于内存状态），适用于对性能要求极高的场景。

empty_arr = np.empty((2, 2))
print(empty_arr)  # 输出可能为随机值（如 [[1e-323, 0. ], [0., 0. ]]）

不推荐直接使用：需手动填充数据，否则可能引入不可预测的错误。

需要注意的是，np.empty 并不保证数组元素被初始化为 0，它只是分配内存空间，数组中的元素值是未初始化的，可能是内存中的任意值。

重复填充数组 (np.full)

np.full(shape, fill_value, dtype)

full_arr = np.full((2, 3), 5)
print(full_arr)
# 输出:
# [[5 5 5]
#  [5 5 5]]

zeros_like()：返回与给定数组具有相同形状和类型的0新数组。

ones_like()：返回与给定数组具有相同形状和类型的1新数组。

empty_like()：返回与给定数组具有相同形状和类型的未初始化的新数组。

arr2 = np.ones_like(arr1)  # 创建和arr1形状相同的全1数组
arr4 = np.empty_like(arr3)  # 创建和arr3形状相同的未初始化数组
arr2 = np.full_like(arr1, 5)