@TOC

前言

NumPy（Numerical Python）是Python科学计算中一个重要的库，它提供了高性能的多维数组对象（ndarray）和丰富的数学函数，使得科学计算和数据分析更加便捷和高效。NumPy的核心是ndarray，这是一个多维数组对象，用于存储和操作大量数据。本文将介绍如何创建ndarray数组对象，为你提供一个入门到NumPy的基础。

一、numpy.array()函数

1.1 函数基本介绍

NumPy的numpy.array函数用于创建一个新的NumPy数组对象，函数的原型如下：

numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)

参数说明：

object：可以是Python列表、元组、其他序列对象，或者其他支持数组接口的对象。这是创建数组的输入数据。

dtype（可选）：指定数组的数据类型，如int, float, complex等。默认情况下，NumPy会根据输入数据自动确定数据类型。

copy（可选）：布尔值，表示是否复制输入数据。默认为True，表示复制数据；如果设为False，则数组将引用输入数据。

order（可选）：指定数组元素在内存中的排列顺序，可选值为’C’（C风格，行主序）或’F’（Fortran风格，列主序）。

subok（可选）：布尔值，表示是否允许子类。如果为True，则返回一个与输入的子类相关的数组。默认为False。

ndmin（可选）：指定生成的数组的最小维度。如果设置为1或更大，将会生成至少具有指定维度数的数组。

numpy.array函数的主要功能是将输入的数据对象转换为NumPy数组对象，这使得数据在NumPy中更容易进行处理、操作和分析。它可以根据提供的参数来指定数组的数据类型、是否复制数据等，以满足特定的需求。

1.2 示例代码

以下是使用不同参数形式的示例代码：

创建一个包含整数的一维数组

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

创建一个指定数据类型的一维数组

import numpy as np

arr_float = np.array([1.1, 2.2, 3.3], dtype=float)

创建一个多维数组

import numpy as np

matrix = np.array([[1, 2, 3], [4, 5, 6]])

创建一个具有最小维度要求的数组

import numpy as np

arr_ndmin = np.array([1, 2, 3], ndmin=2)

这些示例展示了如何使用numpy.array函数创建不同类型的NumPy数组，包括一维和多维数组，以及如何指定数据类型和最小维度。这个函数是NumPy中常用的函数之一，用于数据的初始化和转换。

二、numpy.empty()函数

2.1 empty()函数介绍

numpy.empty函数用于创建一个指定形状的新NumPy数组，但不对数组元素进行初始化。函数的原型如下：

numpy.empty(shape, dtype=float, order='C')

参数说明：

shape：一个整数或整数元组，指定了所需数组的形状，即数组的维度和大小。

dtype（可选）：指定数组的数据类型，例如int、float、complex等。默认为float。

order（可选）：指定数组元素在内存中的排列顺序，可选值为’C’（C风格，行主序）或’F’（Fortran风格，列主序）。默认为’C’。

功能：

numpy.empty函数用于创建一个新的NumPy数组，但不会初始化数组的元素。这意味着数组的元素将包含之前分配给它们的内存中的任何值，因此它们可能包含垃圾值。这对于需要快速创建具有特定形状的数组，但不需要立即初始化元素的情况非常有用。用户可以稍后手动或使用其他方法来初始化数组元素。

2.2 示例代码

以下是使用不同参数形式的示例代码：

创建一个未初始化的一维数组

import numpy as np

arr = np.empty(5)

创建一个未初始化的二维数组

import numpy as np

matrix = np.empty((3, 4))

创建一个未初始化的具有指定数据类型的数组：

import numpy as np

arr_int = np.empty(4, dtype=int)

创建一个未初始化的列主序数组

import numpy as np

arr_fortran = np.empty(3, order='F')

这些示例演示了如何使用numpy.empty函数创建未初始化的NumPy数组，包括一维和多维数组，并如何指定数据类型和内存排列顺序。这对于需要快速创建大型数组的情况非常有用，而不必担心初始化元素的值。

三、numpy.zeros()函数

3.1 zeros函数介绍

numpy.zeros函数用于创建一个指定形状的新NumPy数组，并将所有元素初始化为零。函数的原型如下：

numpy.zeros(shape, dtype=float, order='C')

参数说明：

shape：一个整数或整数元组，指定了所需数组的形状，即数组的维度和大小。

dtype（可选）：指定数组的数据类型，例如int、float、complex等。默认为float。

order（可选）：指定数组元素在内存中的排列顺序，可选值为’C’（C风格，行主序）或’F’（Fortran风格，列主序）。默认为’C’。

功能：

numpy.zeros函数用于创建一个新的NumPy数组，其元素被初始化为零。这对于需要快速创建一个具有特定形状的数组，其中所有元素的初始值都为零的情况非常有用。

3.2 示例代码

以下是使用不同参数形式的示例代码：

创建一个一维的以零填充的数组

import numpy as np

arr = np.zeros(5)

创建一个二维的以零填充的数组：

import numpy as np

matrix = np.zeros((3, 4))

创建一个以整数类型填充的数组：

import numpy as np

arr_int = np.zeros(4, dtype=int)

创建一个以列主序（Fortran风格）填充的数组：

import numpy as np

arr_fortran = np.zeros(3, order='F')

这些示例演示了如何使用numpy.zeros函数创建以零填充的NumPy数组，包括一维和多维数组，并如何指定数据类型和内存排列顺序。这对于需要初始化所有元素为零的情况非常有用。

四、numpy.ones()函数

4.1 ones函数介绍

numpy.ones函数用于创建一个指定形状的新NumPy数组，并将所有元素初始化为1、函数的原型如下：

numpy.ones(shape, dtype=None, order='C')

参数说明：

shape：一个整数或整数元组，指定了所需数组的形状，即数组的维度和大小。

dtype（可选）：指定数组的数据类型，例如int、float、complex等。默认为None，表示数据类型为浮点数。

order（可选）：指定数组元素在内存中的排列顺序，可选值为’C’（C风格，行主序）或’F’（Fortran风格，列主序）。默认为’C’。

功能：

numpy.ones函数用于创建一个新的NumPy数组，其元素被初始化为1。这对于需要快速创建一个具有特定形状的数组，其中所有元素的初始值都为1的情况非常有用。

4.2 示例代码

以下是使用不同参数形式的示例代码：

创建一个一维的以1填充的数组

import numpy as np

arr = np.ones(5)

创建一个二维的以1填充的数组

import numpy as np

matrix = np.ones((3, 4))

创建一个以整数类型填充的数组

import numpy as np

arr_int = np.ones(4, dtype=int)

创建一个以列主序（Fortran风格）填充的数组：

import numpy as np

arr_fortran = np.ones(3, order='F')

这些示例演示了如何使用numpy.ones函数创建以1填充的NumPy数组，包括一维和多维数组，并如何指定数据类型和内存排列顺序。这对于需要初始化所有元素为1的情况非常有用。

五、numpy.full()函数

numpy.full函数用于创建一个具有指定形状的新NumPy数组，并将所有元素初始化为指定的常数值。以下是函数的原型：

numpy.full(shape, fill_value, dtype=None, order='C')

参数说明：

shape：一个整数或整数元组，指定了所需数组的形状，即数组的维度和大小。

fill_value：要填充到数组中的常数值。

dtype（可选）：指定数组的数据类型，例如int、float、complex等。默认为None，表示数据类型根据fill_value的类型进行推断。

order（可选）：指定数组元素在内存中的排列顺序，可选值为’C’（C风格，行主序）或’F’（Fortran风格，列主序）。默认为’C’。

功能：

numpy.full函数用于创建一个新的NumPy数组，其元素被初始化为指定的常数值。这对于需要快速创建一个具有特定形状的数组，并将所有元素初始化为相同的值的情况非常有用。

5.2 示例代码

以下是使用不同参数形式的示例代码：

创建一个一维的以3.14填充的数组

import numpy as np

arr = np.full(5, 3.14)

创建一个二维的以7填充的数组

import numpy as np

matrix = np.full((3, 4), 7)

创建一个以整数类型填充的数组

import numpy as np

arr_int = np.full(4, 42, dtype=int)

创建一个以列主序（Fortran风格）填充的数组：

import numpy as np

arr_fortran = np.full(3, 2.718, order='F')

这些示例演示了如何使用numpy.full函数创建以指定常数值填充的NumPy数组，包括一维和多维数组，并如何指定数据类型和内存排列顺序。这对于需要初始化所有元素为指定值的情况非常有用。

六、numpy.eye()函数

6.1 eye函数介绍

numpy.eye函数用于创建一个二维的单位矩阵（也称为单位阵或单位矩阵），它是一个方阵，所有的对角元素都为1，而非对角元素都为0。以下是函数的原型：

numpy.eye(N, M=None, k=0, dtype=<class 'float'>, order='C')

参数说明：

N：创建的单位矩阵的行数。
M（可选）：创建的单位矩阵的列数。如果不提供此参数，它将默认为N，创建一个方阵。
k（可选）：对角线的偏移量，用于创建非标准的单位矩阵。默认值为0，表示主对角线上的元素为1。
dtype（可选）：指定数组的数据类型，例如int、float、complex等。默认为float 类型。
order（可选）：指定数组元素在内存中的排列顺序，可选值为’C’（C风格，行主序）或’F’（Fortran风格，列主序）。默认为’C’。
使用方法：

功能：

numpy.eye函数用于创建一个单位矩阵，这是一个非常常见的数学概念。单位矩阵是一个方阵，它在主对角线上的元素都为1，而在其他位置的元素都为0。单位矩阵在线性代数和矩阵运算中有广泛的应用，它通常用于表示单位矩阵操作，如线性变换和矩阵求逆。

6.2 示例代码

以下是使用不同参数形式的示例代码：

创建一个3x3的单位矩阵

import numpy as np

identity_matrix = np.eye(3)

创建一个4x4的单位矩阵，但对角线上的元素偏移为1

import numpy as np

offset_matrix = np.eye(4, k=1)

创建一个3x4的单位矩阵

import numpy as np

custom_shape_matrix = np.eye(3, 4)

创建一个单位矩阵，数据类型为整数

import numpy as np

integer_matrix = np.eye(2, dtype=int)

这些示例演示了如何使用numpy.eye函数创建单位矩阵，以及如何控制单位矩阵的大小、对角线偏移、数据类型和内存排列顺序。

七、numpy.arange()函数

7.1 arange函数介绍

numpy.arange函数用于创建一个等间隔的一维数组，可以指定起始值、终止值和步长。以下是函数的原型：

numpy.arange([start, ]stop, [step, ]dtype=None)

参数说明：

start（可选）：起始值，表示生成的数组的起始元素。如果不提供此参数，将默认为0。
stop：终止值，表示生成的数组中的元素不包括此值。
step（可选）：步长，表示相邻两个元素之间的差值。如果不提供此参数，将默认为1。
dtype（可选）：指定生成的数组的数据类型，例如int、float、complex等。默认情况下，它会根据输入参数来确定数据类型。
使用方法：

功能：

numpy.arange函数用于创建一个包含等间隔值的一维数组。这个函数在科学计算、数值计算和数据分析中非常常见，可以用于生成一系列连续的数值，例如整数或浮点数，以便进行后续的计算和分析。

7.2 示例代码

以下是使用不同参数形式的示例代码：

创建一个包含0到9的整数数组

import numpy as np

arr1 = np.arange(10)

创建一个包含2到10的整数数组，步长为2：

import numpy as np

arr2 = np.arange(2, 12, 2)

创建一个包含0.0到1.0的浮点数数组，步长为0.1

import numpy as np

arr3 = np.arange(0.0, 1.0, 0.1)

创建一个包含5到1的整数数组，步长为-1

import numpy as np

arr4 = np.arange(5, 0, -1)

这些示例演示了如何使用numpy.arange函数创建不同范围、步长和数据类型的一维

八、numpy.frombuffer()函数

8.1 函数介绍

numpy.frombuffer函数用于从缓冲区中创建一个新的一维数组，它将缓冲区解释为一个指定数据类型的数组。以下是函数的原型：

numpy.frombuffer(buffer, dtype=float, count=-1, offset=0)

参数说明：

buffer：必选参数，表示输入的缓冲区。这可以是一个字节串（如bytes或bytearray），或者是一个可读取字节的对象（例如文件对象）。
dtype：可选参数，表示要创建的数组的数据类型。默认为float。通常，您可以指定int、float、complex等数据类型。
count：可选参数，表示要读取的字节数。默认值为-1，表示读取整个缓冲区。
offset：可选参数，表示在缓冲区中的偏移量，从该偏移处开始读取字节。默认值为0。
功能：

numpy.frombuffer函数的功能是从给定的缓冲区中创建一个新的一维数组，该数组使用指定的数据类型进行解释。这可以用于将二进制数据转换为NumPy数组，以便进行进一步的数值计算和数据处理。

8.2 示例代码

以下是使用不同参数形式的示例代码：

从字节串创建一个整数数组

import numpy as np

data = b'\x01\x02\x03\x04\x05'
arr1 = np.frombuffer(data, dtype=int)

从字节串创建一个浮点数数组，并指定读取前4个字节

import numpy as np

data = b'\x40\x49\x0f\xdb\x29\x5c\x8f\xc2'
arr2 = np.frombuffer(data, dtype=float, count=2)

从文件对象创建一个整数数组，从文件当前位置读取数据：

import numpy as np

with open('data.bin', 'rb') as file:
    arr3 = np.frombuffer(file.read(), dtype=int)

这些示例演示了如何使用numpy.frombuffer函数从不同源（字节串、文件对象）创建不同数据类型的一维数组。

九、numpy.linspace()函数

9.1 函数介绍

函数原型

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

参数说明
start: 必选参数，表示序列的起始值。
stop: 必选参数，表示序列的结束值。
num: 可选参数，表示要生成的样本数。默认值为 50。
endpoint: 可选参数，如果为True（默认值），则序列包括stop值，如果为False，序列不包括stop值。
retstep: 可选参数，如果为True，将返回一个包含序列和步长的元组。
dtype: 可选参数，表示输出数组的数据类型。如果未指定，则由输入数据类型推断。
axis: 可选参数，表示在哪个轴上生成样本数据。默认为0，表示生成一维数组。

功能
numpy.linspace函数的功能是生成一个等间隔的一维数组，该数组包括在指定范围内均匀分布的样本数据点。可以用于在数学建模、数据可视化和科学计算中生成均匀间隔的数据点。

9.2 示例代码

以下是使用不同参数形式的示例代码：

基本用法

import numpy as np

# 创建一个包含10个均匀分布的数据点的数组，从1到5
arr1 = np.linspace(1, 5, num=10)

不包括stop值的序列

import numpy as np

# 创建一个不包括5的均匀分布序列，从1到4
arr2 = np.linspace(1, 5, num=10, endpoint=False)

返回序列和步长的元组

import numpy as np

# 创建一个包含序列和步长的元组
arr3, step = np.linspace(0, 10, num=11, retstep=True)

指定数据类型

import numpy as np

# 创建一个整数数组，包括10个均匀分布的数据点，从1到5
arr4 = np.linspace(1, 5, num=10, dtype=int)

在不同轴上生成样本数据

import numpy as np

# 在第二个轴上生成5个均匀分布的数据点，从0到1
arr5 = np.linspace(0, 1, num=5, axis=1)

这些示例演示了如何使用numpy.linspace函数以不同方式生成等间隔的一维数组。

十、numpy.random.rand()函数

10.1 rand()函数介绍

以下是 numpy.random.rand 函数的详细说明：

函数原型

numpy.random.rand(d0, d1, ..., dn)

参数说明
d0, d1, …, dn: 这些是可选参数，用于指定生成的随机数据的维度。您可以提供任意数量的维度参数。如果没有提供参数，则返回一个在[0, 1)范围内均匀分布的随机数。

功能
numpy.random.rand 函数用于生成具有指定维度的随机浮点数数组。这些随机数是从区间 [0, 1) 的均匀分布中生成的。

10.2 示例代码

以下是使用不同参数形式的示例代码：

生成一个随机浮点数

import numpy as np

# 生成一个单一的随机浮点数
random_num = np.random.rand()

生成一维数组

import numpy as np

# 生成一个包含5个随机浮点数的一维数组
array1d = np.random.rand(5)

生成二维数组

import numpy as np

# 生成一个包含2行3列的二维数组
array2d = np.random.rand(2, 3)

生成三维数组

import numpy as np

# 生成一个包含2个3x2矩阵的三维数组
array3d = np.random.rand(2, 3, 2)

这些示例演示了如何使用 numpy.random.rand 函数以不同方式生成随机数数组，具体取决于您提供的维度参数。

总结

创建NumPy的ndarray数组是进入Python科学计算和数据分析的第一步。在本文中，我们学习了如何导入NumPy库，创建数组对象，以及一些常见的数组操作。这些基础知识将为你进一步探索NumPy的强大功能和广泛应用奠定坚实的基础。NumPy不仅提供了高性能的数学函数，还为数据处理和分析提供了便捷的工具，使得处理大规模数据变得更加高效和方便。继续学习和掌握NumPy，将使你更加熟练地处理各种数据科学任务。