NumPy為Python提供了高效的多維數組對象以及一系列用于處理這些數組的工具，極大地簡化了數值計算的過程。而np.array()作為NumPy庫的核心函數之一，是創建和操作數組的基礎。

NumPy與np.array()簡介

NumPy（Numerical Python的簡稱）是Python中用于處理數組運算的擴展庫，它提供了大量的數學函數來操作數組，使得數組的處理變得高效且簡潔。np.array()則是NumPy庫中的一個基礎函數，用于創建數組。

NumPy的重要性

NumPy在科學計算、數據分析、機器學習等眾多領域都有著廣泛的應用。它的高效性源于其底層使用C語言實現，能夠充分利用計算機的硬件資源，對數組進行快速的運算。與Python原生的列表相比，NumPy數組在內存中是連續存儲的，這使得數組元素之間的訪問和計算更為高效。例如，在進行大規模的數據處理時，使用NumPy數組可以顯著提高程序的運行速度。

np.array()的作用

np.array()函數的主要作用是將Python中的各種數據結構（如列表、元組等）轉換為NumPy數組，或者根據指定的參數創建一個新的數組。通過np.array()創建的數組可以方便地進行各種數學運算、索引和切片操作，為后續的數據處理和分析提供了基礎。

np.array()函數的詳細參數

np.array()函數的完整語法為：numpy.array(object, dtype = None, *, copy = True, order = 'K', subok = False, ndmin = 0, like = None)。下面我們來詳細介紹每個參數的含義和用法。

object參數

object參數是必填項，它表示要轉換為數組的對象，可以是一個數組、任何暴露數組接口的對象、其__array__方法返回數組的對象，或者任何（嵌套的）序列。如果object是一個標量，則返回一個包含該標量的0維數組。

例如，我們可以使用列表來創建一個一維數組：

import numpy as np
arr_1d = np.array([1, 2, 3, 4, 5])
print(arr_1d)

輸出結果為：[1 2 3 4 5]

也可以使用嵌套列表來創建一個二維數組：

arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr_2d)

輸出結果為：

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

dtype參數

dtype參數用于指定數組的數據類型，它是可選的。如果不指定dtype，NumPy會根據傳入的數據自動推斷出合適的數據類型。例如：

arr = np.array([1, 2, 3])
print(arr.dtype)

輸出結果為：int64

在這個例子中，由于傳入的數據都是整數，NumPy自動推斷出數組的數據類型為int64。

然而，在某些情況下，我們可能需要顯式地指定數據類型，以滿足特定的需求。比如，當我們需要創建一個包含浮點數的數組時，可以這樣做：

arr_float = np.array([1, 2, 3], dtype = np.float32)
print(arr_float.dtype)

輸出結果為：float32

通過指定dtype = np.float32，我們創建了一個數據類型為32位浮點數的數組。

指定數據類型的好處之一是可以優化內存使用。例如，如果我們知道數組中的數據范圍較小，并且不需要高精度的計算，可以使用較小的數據類型，如int8或float16，這樣可以減少內存的占用。

copy參數

copy參數用于控制是否復制數據，它是一個布爾值，默認為True。當copy = True時，無論輸入數據的來源如何，都會創建一個數據的副本；當copy = False時，如果輸入數據本身就是一個NumPy數組，并且不需要進行任何數據類型轉換或其他修改，那么將不會復制數據，而是直接使用原數組的引用。

需要注意的是，當copy = None時，只有在__array__返回副本、obj是嵌套序列或需要滿足其他要求（如dtype、order等）時才會進行復制。

例如，下面的代碼中，由于輸入數據是一個列表，所以無論copy參數的值如何，都會創建一個新的數組副本：

list_data = [1, 2, 3]
arr1 = np.array(list_data, copy = True)
arr2 = np.array(list_data, copy = False)
arr3 = np.array(list_data, copy = None)
print(arr1 is arr2)  # False
print(arr1 is arr3)  # False

輸出結果均為False，說明arr1、arr2和arr3都是不同的數組對象。

而當輸入數據是一個NumPy數組時，如果copy = False且不需要進行其他修改，那么將不會復制數據：

arr4 = np.array([1, 2, 3])
arr5 = np.array(arr4, copy = False)
print(arr4 is arr5)  # True

輸出結果為True，說明arr4和arr5指向同一個數組對象。

order參數

order參數用于指定數組在內存中的存儲順序，它有四個可選值：'K'、'A'、'C'、'F'。

• 'C'表示按C語言的行優先順序存儲，即先存儲第一行，再存儲第二行，以此類推。
• 'F'表示按Fortran語言的列優先順序存儲，即先存儲第一列，再存儲第二列，以此類推。
• 'A'表示如果輸入數據是Fortran連續的，則按'F'順序存儲，否則按'C'順序存儲。
• 'K'表示盡可能保持輸入數據的原始順序。

默認情況下，order = 'K'。

例如，我們可以通過order參數來控制二維數組的存儲順序：

arr_2d_c = np.array([[1, 2, 3], [4, 5, 6]], order = 'C')
arr_2d_f = np.array([[1, 2, 3], [4, 5, 6]], order = 'F')
print(arr_2d_c.flags)
print(arr_2d_f.flags)

輸出結果分別為：

C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False

C_CONTIGUOUS : False
F_CONTIGUOUS : True
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False

從輸出結果可以看出，arr_2d_c是按行優先順序存儲的（C_CONTIGUOUS : True），而arr_2d_f是按列優先順序存儲的（F_CONTIGUOUS : True）。

subok參數

subok參數是一個布爾值，默認為False。當subok = True時，返回的數組將保留輸入數據的子類類型；當subok = False時，無論輸入數據的類型如何，返回的數組都將被強制轉換為基類ndarray類型。

例如，假設我們有一個自定義的數組子類MyArray，它繼承自np.ndarray：

class MyArray(np.ndarray):pass
data = MyArray([1, 2, 3])
arr1 = np.array(data, subok = True)
arr2 = np.array(data, subok = False)
print(type(arr1))  # <class '__main__.MyArray'>
print(type(arr2))  # <class 'numpy.ndarray'>

輸出結果表明，當subok = True時，arr1仍然是MyArray類型；而當subok = False時，arr2被轉換為了np.ndarray類型。

ndmin參數

ndmin參數用于指定返回數組的最小維度，它是一個整數，默認為0。如果輸入數據的維度小于ndmin，則會在數組的形狀前面添加一維，直到滿足最小維度的要求。

例如：

arr1 = np.array([1, 2, 3], ndmin = 1)
arr2 = np.array([1, 2, 3], ndmin = 2)
arr3 = np.array([1, 2, 3], ndmin = 3)
print(arr1.shape)  # (3,)
print(arr2.shape)  # (1, 3)
print(arr3.shape)  # (1, 1, 3)

在這個例子中，輸入數據[1, 2, 3]是一個一維數組。當ndmin = 1時，數組形狀不變；當ndmin = 2時，在前面添加了一維，變成了二維數組(1, 3)；當ndmin = 3時，在前面添加了兩維，變成了三維數組(1, 1, 3)。

like參數

like參數是在NumPy 1.20.0版本中新增的，它用于指定一個參考對象，以便創建與該對象兼容的數組。如果傳入的like參數支持__array_function__協議，那么結果將由該協議定義。

例如：

arr = np.array([1, 2, 3])
new_arr = np.array([4, 5, 6], like = arr)
print(type(new_arr))  # <class 'numpy.ndarray'>

在這個例子中，我們以arr為參考對象，創建了一個新的數組new_arr，new_arr的類型與arr相同，都是np.ndarray。

np.array()函數的使用示例

創建基本的一維和二維數組

如前文所述，使用np.array()函數可以很方便地創建一維和二維數組。
創建一維數組：

arr_1d = np.array([1, 2, 3, 4, 5])
print(arr_1d)

創建二維數組：

arr_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr_2d)

創建具有特定數據類型的數組

通過dtype參數，我們可以創建具有特定數據類型的數組。
創建整數類型的數組：

arr_int = np.array([1, 2, 3], dtype = np.int16)
print(arr_int.dtype)

創建浮點數類型的數組：

arr_float = np.array([1.0, 2.0, 3.0], dtype = np.float64)
print(arr_float.dtype)

創建復數類型的數組：

arr_complex = np.array([1 + 1j, 2 + 2j, 3 + 3j], dtype = np.complex128)
print(arr_complex.dtype)

創建多維數組

np.array()函數不僅可以創建一維和二維數組，還可以創建更高維度的數組。只需在傳入的序列中嵌套更多的層級即可。
創建三維數組：

arr_3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(arr_3d)

輸出結果為：

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

從其他數據結構轉換為數組

除了使用列表和元組來創建數組外，np.array()函數還可以將其他數據結構轉換為數組。
將集合轉換為數組：

set_data = {1, 2, 3, 3}  # 集合會自動去重
arr_set = np.array(set_data)
print(arr_set)

輸出結果為：[1 2 3]

將字符串轉換為數組：

str_data = "hello"
arr_str = np.array(list(str_data))
print(arr_str)

輸出結果為：['h' 'e' 'l' 'l' 'o']

使用ndmin參數創建具有最小維度的數組

通過ndmin參數，我們可以確保創建的數組具有指定的最小維度。

arr1 = np.array([1, 2, 3], ndmin = 2)
print(arr1.shape)  # (1, 3)
arr2 = np.array([1, 2, 3], ndmin = 3)
print(arr2.shape)  # (1, 1, 3)

np.array()函數與與Python原生列表的比較

雖然Python原生列表也可以存儲多個元素，但與NumPy數組相比，它們有很多不同之處。

1. 內存存儲：NumPy數組在內存中是連續存儲的，而Python列表是離散存儲的。這使得NumPy數組在進行數值計算時能夠更高效地利用內存，提高計算速度。
2. 數據類型：NumPy數組中的所有元素必須是同一數據類型，而Python列表可以包含不同數據類型的元素。這使得NumPy數組在進行數學運算時更加高效，因為不需要進行類型檢查和轉換。
3. 運算效率：由于NumPy數組的內存存儲方式和數據類型的一致性，NumPy提供了大量的優化函數，能夠對數組進行快速的數學運算。相比之下，使用Python原生列表進行相同的運算需要編寫循環，效率較低。

例如，計算兩個數組的元素之和：

import numpy as np
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
result_np = arr1 + arr2
print(result_np)

輸出結果為：[5 7 9]

而使用Python原生列表實現相同的功能：

list1 = [1, 2, 3]
list2 = [4, 5, 6]
result_list = []
for i in range(len(list1)):result_list.append(list1[i] + list2[i])
print(result_list)

輸出結果為：[5, 7, 9]

可以看到，使用NumPy數組的代碼更加簡潔，且在處理大規模數據時，運算效率會更高。

That’s all, thanks for reading!
覺得有用就點個贊、收進收藏夾吧！關注我，獲取更多干貨～