NumPy 提供了丰富的方法来创建 ndarray，根据使用场景的不同，可以分为以下几大类：

用途	方法
基础构造	`np.array()`、`np.copy()`
预定义形状填充	`np.zeros()`、`np.ones()`、`np.empty()`、`np.full()`
基于数值范围生成	`np.arange()`、`np.linspace()`、`np.logspace()`
特殊矩阵生成	`np.eye()`、`np.diag()`
随机数组生成	`np.random.rand()`、`np.random.randn()`、`np.random.randint()`

下面逐一介绍这些创建方法。

4.1 基础构造#

4.1.1 np.array()#

np.array() 是最基础的创建方法，可以从 Python 列表、元组等序列对象创建 ndarray。

1
import numpy as np
2

3
list1 = [4, 5, 6]
4
arr = np.array(list1, dtype=np.float64)  # 指定数据类型
5
print(arr.ndim)  # 属性和方法的区分：是否带括号，带括号的是方法，不带括号的是属性
6
print(arr)

输出：

1
1
2
[4. 5. 6.]

通过 dtype 参数可以指定数组的元素类型。上述代码中，虽然列表元素是整数，但指定 dtype=np.float64 后，数组元素被转换为浮点型。

4.1.2 np.copy()#

np.copy() 用于创建一个与原数组内容相同但相互独立的新数组。修改新数组不会影响原数组。

1
arr1 = np.copy(arr)  # 元素跟原始的数组相同，但是不是一个数组了
2
print(arr1)
3
arr1[0] = 8
4
print(arr1)
5
print(arr)  # 原始数组不变

输出：

1
[4. 5. 6.]
2
[8. 5. 6.]
3
[4. 5. 6.]

np.copy() 执行的是深拷贝，新数组与原数组在内存中完全独立。这与直接赋值（arr1 = arr）不同，直接赋值只是创建了一个引用，修改其中一个会影响另一个。

4.2 预定义形状填充#

这类方法用于快速初始化固定形状的数组，常用于数据占位和预处理。

4.2.1 np.zeros()#

创建一个全 0 数组。

1
arr = np.zeros((2, 3), dtype=int)  # 创建一个2行3列的全0数组
2
print(arr)
3
print(arr.dtype)

输出：

1
[[0 0 0]
2
 [0 0 0]]
3
int64

1
arr = np.zeros((200,), dtype=int)  # 创建一个200个元素的全0数组
2
print(arr)

输出：

1
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6
 0 0 0 0 0 0 0 0 0 0 0 0]

注意： shape 参数需要传入一个元组。一维数组的形状为 (200,)，二维数组的形状为 (2, 3)。

4.2.2 np.ones()#

创建一个全 1 数组。

1
arr = np.ones((5, 8), dtype=int)  # 创建一个5行8列的全1数组
2
print(arr)

输出：

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

4.2.3 np.empty()#

创建一个未初始化的数组。由于不需要填充初始值，执行效率比 np.zeros() 更快。

1
arr = np.empty((4, 3))  # 创建一个4行3列的未初始化数组，执行效率快
2
print(arr)

输出：

1
[[1.31228284e-311 2.47032823e-322 0.00000000e+000]
2
 [0.00000000e+000 8.06630440e-308 2.92966904e-033]
3
 [4.71483083e-090 9.76836074e+165 1.55155023e+184]
4
 [9.95849747e-047 3.99910963e+252 2.32253274e-056]]

数组中的值是内存中的随机垃圾值，在使用前需要先赋值覆盖。适用于后续会完全填充数据的场景。

4.2.4 np.full()#

创建一个指定形状并填充固定值的数组。

1
arr = np.full((3, 4), 2026)  # 创建一个3行4列的全2026数组
2
print(arr)

输出：

1
[[2026 2026 2026 2026]
2
 [2026 2026 2026 2026]
3
 [2026 2026 2026 2026]]

4.2.5 基于已有形状的快捷方法#

NumPy 还提供了 _like 系列方法，可以创建与已有数组形状相同的新数组：

1
arr1 = np.zeros_like(arr)    # 创建一个与arr形状相同的全0数组
2
print(arr1)
3
arr1 = np.empty_like(arr)    # 创建一个与arr形状相同的未初始化数组
4
print(arr1)
5
arr1 = np.ones_like(arr)     # 创建一个与arr形状相同的全1数组
6
print(arr1)
7
arr1 = np.full_like(arr, 2025)  # 创建一个与arr形状相同的全2025数组
8
print(arr1)

输出：

1
[[0 0 0 0]
2
 [0 0 0 0]
3
 [0 0 0 0]]
4
[[      2656090036200                  50                   0
5
                    0]
6
 [  31244147616645120 4120349891991070059 3270516458839762277
7
  7090130557940611385]
8
 [7362600585106894132 3918748936486401889 8386112019185938739
9
  7233687420873831285]]
10
[[1 1 1 1]
11
 [1 1 1 1]
12
 [1 1 1 1]]
13
[[2025 2025 2025 2025]
14
 [2025 2025 2025 2025]
15
 [2025 2025 2025 2025]]

_like 系列方法在需要创建与某个数组形状一致的占位数组时非常方便，无需手动指定 shape。

4.3 基于数值范围生成#

这类方法用于生成数值序列，常用于模拟时间序列、坐标网格等。

4.3.1 np.arange()#

生成等差数列，用法类似 Python 内置的 range()，但返回的是 ndarray。

1
arr = np.arange(2, 12, 2)  # start, stop(不取), step
2
print(arr)

输出：

1
[ 2  4  6  8 10]

参数说明：start 为起始值，stop 为终止值（不包含），step 为步长。

4.3.2 np.linspace()#

生成等间隔数列，与 np.arange() 的区别在于：np.linspace() 的第三个参数是元素个数（而非步长），且默认包含终止值。

1
arr = np.linspace(0, 100, 5)  # start, stop(取), num
2
print(arr)

输出：

1
[  0.  25.  50.  75. 100.]

在 0 到 100 之间均匀生成 5 个元素，间隔为 25。

指定数据类型：

1
arr = np.linspace(0, 100, 5, dtype=int)
2
print(arr)
3
arr = np.arange(0, 101, 25, dtype=int)
4
print(arr)

输出：

1
[  0  25  50  75 100]
2
[  0  25  50  75 100]

通过指定 dtype=int，可以让 np.linspace() 和 np.arange() 产生相同的结果。

4.3.3 np.logspace()#

生成对数间隔数列。先将指数等间隔分布，然后以指定底数取幂。

1
arr = np.logspace(0, 4, 3, base=2, dtype=int)  # 先把指数等间隔分布在0-4之间，然后以2为底取幂
2
print(arr)

输出：

1
[ 1  4 16]

解释：指数在 0 到 4 之间等间隔取 3 个值，即 0、2、4。然后计算 $2^0=1$ 、 $2^2=4$ 、 $2^4=16$ 。

4.4 特殊矩阵生成#

4.4.1 np.eye()#

创建单位矩阵（主对角线上的数字为 1，其余为 0）。

1
arr = np.eye(3, 4, dtype=int)
2
print(arr)

输出：

1
[[1 0 0 0]
2
 [0 1 0 0]
3
 [0 0 1 0]]

参数说明：第一个参数为行数，第二个参数为列数。当行数和列数相等时，生成的是标准单位矩阵；不等时，生成的是广义的单位矩阵。

4.4.2 np.diag()#

创建对角矩阵（主对角线上是非零数字，其余为 0）。

1
arr = np.diag([1, 2, 3])  # 创建一个对角矩阵
2
print(arr)

输出：

1
[[1 0 0]
2
 [0 2 0]
3
 [0 0 3]]

传入一个一维数组，np.diag() 会将其元素放置在新数组的主对角线上。

4.5 随机数组生成#

随机数组生成常用于模拟实验数据、初始化神经网络权重等场景。NumPy 的 random 模块提供了多种随机数生成方法。

4.5.1 np.random.rand()#

生成 0 到 1 之间的随机浮点数，服从均匀分布。

1
arr = np.random.rand(2, 3)
2
print(arr)

输出（结果随机）：

1
[[0.4974305  0.00461739 0.7830449 ]
2
 [0.35404588 0.65308817 0.99276538]]

4.5.2 np.random.uniform()#

生成指定范围区间的随机浮点数，服从均匀分布。

1
arr = np.random.uniform(3, 6, (2, 3))  # 生成2行3列的随机浮点数，范围在3到6之间
2
print(arr)

输出（结果随机）：

1
[[3.71807012 3.88918494 4.92140544]
2
 [5.65113597 5.43057318 5.76969752]]

参数说明：第一个参数为下界，第二个参数为上界，第三个参数为数组形状。

4.5.3 np.random.randint()#

生成指定范围区间的随机整数。

1
arr = np.random.randint(3, 30, (2, 3))  # 生成2行3列的随机整数，范围在3到30之间
2
print(arr)

输出（结果随机）：

1
[[ 5  9  6]
2
 [24 23  6]]

参数说明：第一个参数为下界（包含），第二个参数为上界（不包含），第三个参数为数组形状。

4.5.4 np.random.randn()#

生成服从标准正态分布（均值为 0，标准差为 1）的随机数列，数值基本在 -3 到 3 之间，两边概率小，中间概率大。

1
arr = np.random.randn(2, 3)  # 生成2行3列的随机数，服从标准正态分布
2
print(arr)

输出（结果随机）：

1
[[-0.92029395  0.6566202   0.00439262]
2
 [ 1.92088964  1.7643093   0.92341786]]

4.5.5 设置随机种子#

使用 np.random.seed() 可以设置随机种子，使得每次生成的随机数序列相同，便于实验复现。

1
np.random.seed(20)
2
arr = np.random.randint(1, 10, (2, 5))
3
print(arr)

输出：

1
[[4 5 7 8 3]
2
 [1 7 9 6 4]]

设置相同的随机种子后，每次运行生成的随机数序列完全一致。这在需要复现实验结果时非常有用。

4.6 本节小结#

本节完成了以下内容：

介绍了 np.array() 和 np.copy() 的基础构造方法
讲解了预定义形状填充方法：np.zeros()、np.ones()、np.empty()、np.full() 及其 _like 系列
学习了基于数值范围生成的方法：np.arange()、np.linspace()、np.logspace()
了解了特殊矩阵的生成方法：np.eye()、np.diag()
掌握了随机数组的生成方法：np.random.rand()、np.random.uniform()、np.random.randint()、np.random.randn() 以及随机种子的设置

下一节我们将学习 ndarray 的元素数据类型。

Luquiesceneの小屋

4.1 基础构造#

4.1.1 np.array()#

4.1.2 np.copy()#

4.2 预定义形状填充#

4.2.1 np.zeros()#

4.2.2 np.ones()#

4.2.3 np.empty()#

4.2.4 np.full()#

4.2.5 基于已有形状的快捷方法#

4.3 基于数值范围生成#

4.3.1 np.arange()#

4.3.2 np.linspace()#

4.3.3 np.logspace()#

4.4 特殊矩阵生成#

4.4.1 np.eye()#

4.4.2 np.diag()#

4.5 随机数组生成#

4.5.1 np.random.rand()#

4.5.2 np.random.uniform()#

4.5.3 np.random.randint()#

4.5.4 np.random.randn()#

4.5.5 设置随机种子#

4.6 本节小结#

数据分析

继续阅读

换条路线

评论

Luquiesceneの小屋

4.1 基础构造#

4.1.1 np.array()#

4.1.2 np.copy()#

4.2 预定义形状填充#

4.2.1 np.zeros()#

4.2.2 np.ones()#

4.2.3 np.empty()#

4.2.4 np.full()#

4.2.5 基于已有形状的快捷方法#

4.3 基于数值范围生成#

4.3.1 np.arange()#

4.3.2 np.linspace()#

4.3.3 np.logspace()#

4.4 特殊矩阵生成#

4.4.1 np.eye()#

4.4.2 np.diag()#

4.5 随机数组生成#

4.5.1 np.random.rand()#

4.5.2 np.random.uniform()#

4.5.3 np.random.randint()#

4.5.4 np.random.randn()#

4.5.5 设置随机种子#

4.6 本节小结#

分享文章

沿着主题读

换条路线

评论