当前位置：首页 > Python > 正文

Python中创建NumPy ndarray的两种主要方法 - 完整指南

Python中创建NumPy ndarray的两种主要方法

全面指南：从基础到高级应用

NumPy和ndarray简介

NumPy是Python科学计算的核心库，提供了高性能的多维数组对象——ndarray。ndarray是NumPy的核心数据结构，具有以下优势：

  • 高效存储：连续内存块存储同类型数据
  • 快速运算：优化的C/C++后端实现向量化操作
  • 广播功能：不同形状数组间的数学运算
  • 丰富API：数学、逻辑、线性代数等操作

关键概念： ndarray（N-dimensional array）是NumPy的核心对象，表示多维同质数组。所有元素必须是相同类型，通过正整数元组索引。

方法一：从Python列表/元组创建

最直接的创建方法是将Python列表或元组转换为ndarray。使用numpy.array()函数实现此转换：

基本语法

numpy.array(object, dtype=None, *, copy=True, order='K', subok=False, ndmin=0)
  • object：任何暴露数组接口的对象（如列表、元组）
  • dtype：可选，指定数组数据类型
  • copy：是否复制对象（默认为True）
  • ndmin：指定生成数组的最小维度

示例1：一维数组

import numpy as np

# 从列表创建
arr1 = np.array([1, 2, 3, 4, 5])
print(arr1)
# 输出: [1 2 3 4 5]

# 从元组创建
arr2 = np.array((6, 7, 8, 9, 10))
print(arr2)
# 输出: [ 6  7  8  9 10]

示例2：二维数组

# 创建二维数组
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2d)
# 输出:
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]

# 检查维度
print("维度:", arr2d.ndim)  # 输出: 2
print("形状:", arr2d.shape) # 输出: (3, 3)

指定数据类型和维度

# 指定数据类型
float_arr = np.array([1, 2, 3], dtype=float)
print(float_arr)  # 输出: [1. 2. 3.]

# 指定最小维度
arr_3d = np.array([1, 2, 3], ndmin=3)
print(arr_3d)      # 输出: [[[1 2 3]]]
print("形状:", arr_3d.shape)  # 输出: (1, 1, 3)

方法二：使用NumPy内置函数创建

NumPy提供了一系列函数来创建特殊数组，无需手动输入每个元素：

zeros() - 创建全0数组

# 创建3x4的全0数组
zeros_arr = np.zeros((3, 4))
print(zeros_arr)
# 输出:
# [[0. 0. 0. 0.]
#  [0. 0. 0. 0.]
#  [0. 0. 0. 0.]]

ones() - 创建全1数组

# 创建2x3的全1数组
ones_arr = np.ones((2, 3))
print(ones_arr)
# 输出:
# [[1. 1. 1.]
#  [1. 1. 1.]]

arange() - 创建数值范围数组

# 创建0-9的数组
arr1 = np.arange(10)
print(arr1)  # 输出: [0 1 2 3 4 5 6 7 8 9]

# 创建5-15，步长为2的数组
arr2 = np.arange(5, 16, 2)
print(arr2)  # 输出: [ 5  7  9 11 13 15]

linspace() - 创建等差数组

# 创建0-1之间5个等间隔数
arr = np.linspace(0, 1, 5)
print(arr)  # 输出: [0.   0.25 0.5  0.75 1.  ]

eye() - 创建单位矩阵

# 创建3x3单位矩阵
identity = np.eye(3)
print(identity)
# 输出:
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

random() - 创建随机数组

# 创建2x3的随机数组(0-1之间)
rand_arr = np.random.rand(2, 3)
print(rand_arr)
# 输出示例:
# [[0.548 0.715 0.603]
#  [0.545 0.424 0.646]]

# 创建标准正态分布的数组
normal_arr = np.random.randn(3, 3)
print(normal_arr)
# 输出示例:
# [[-0.234  0.542 -1.213]
#  [ 0.302 -0.672  0.467]
#  [-0.912  0.256  1.098]]

两种方法对比

特性 从列表/元组创建 使用内置函数
适用场景 数据已存在Python数据结构中 需要特殊模式或随机数据
灵活性 高 - 可创建任意数据的数组 中 - 限于特定模式
性能 一般（需要转换数据结构） 高（直接生成）
大数组创建 不推荐（内存效率低） 推荐（高效）
典型用例 小数据集、不规则数据 数学计算、机器学习初始化

选择指南

  • 使用列表/元组转换： 当数据已经在Python列表或元组中，或需要创建不规则模式的数组时
  • 使用内置函数： 当需要创建有数学规律的数组（全0、全1、范围数组等）或随机数组时
  • 大型数组： 优先使用内置函数，避免创建中间Python列表
  • 性能敏感场景： 内置函数通常有更好的性能，特别是对于大型数组

实际应用示例

图像处理

# 创建空白RGB图像 (300x400像素)
height, width = 300, 400
image = np.zeros((height, width, 3), dtype=np.uint8)

# 设置背景为蓝色
image[:, :] = [0, 120, 255]

# 在中间添加一个黄色矩形
image[100:200, 150:250] = [255, 255, 0]

科学计算

# 创建网格坐标
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)

# 计算二元函数 (例如：Rosenbrock函数)
Z = (1 - X)**2 + 100 * (Y - X**2)**2

# 计算梯度
dx, dy = np.gradient(Z)

机器学习

# 初始化神经网络权重
def initialize_parameters(layer_dims):
    parameters = {}
    L = len(layer_dims)
    
    for l in range(1, L):
        # 使用内置函数创建权重矩阵
        parameters['W' + str(l)] = np.random.randn(
            layer_dims[l], layer_dims[l-1]) * 0.01
        parameters['b' + str(l)] = np.zeros((layer_dims[l], 1))
        
    return parameters

# 3层神经网络：[输入层, 隐藏层, 输出层]
layer_dims = [784, 128, 10]
params = initialize_parameters(layer_dims)

总结

NumPy提供了两种创建ndarray的主要方法：从Python列表/元组转换和使用内置函数。每种方法都有其适用场景：

列表/元组转换

  • 适合已有数据在Python结构中
  • 灵活性高，可创建任意数据数组
  • 使用np.array()函数
  • 小数据集首选方法

内置函数创建

  • 适合创建特殊模式数组
  • 高效，尤其对于大型数组
  • 包括zeros(), ones(), arange()等
  • 科学计算和机器学习首选

最佳实践建议

  • 在性能敏感场景优先使用内置函数
  • 创建大型数组时避免使用Python列表转换
  • 明确指定dtype以控制内存使用和精度
  • 利用np.random模块创建随机数据
  • 组合使用两种方法处理复杂数据结构
本文由HouXin于2025-08-16发表在吾爱品聚，如有疑问，请联系我们。
本文链接：https://www.521pj.cn/20258259.html

相关文章

发表评论