ndarray的創建（小白五分鐘從入門到精通）

ndarray的創建

用途	方法	語法示例	核心作用	輸出示例
基礎構造
? 從?Python 數據結構創建	np.array()	np.array([[1, 2], [3, 4]])	將列表/元組轉換為?ndarray	array([[1, 2], [3, 4]])
? 復制數組	np.copy()	np.copy(arr)	創建獨立副本（深拷貝）	與原數組相同但不共享內存
預定義形狀填充
? 全0數組	np.zeros()	np.zeros((2,3))	快速初始化全0數組	[[0., 0., 0.], [0., 0., 0.]]
? 全1數組	np.ones()	np.ones((3,2), dtype=int)	快速初始化全1數組	[[1, 1], [1, 1], [1, 1]]
? 未初始化數組	np.empty()	np.empty((2,2))	預分配內存（值隨機）	隨機值（如?[[1e-323, 0.], [0., 0.]]）
? 填充固定值	np.full()	np.full((2,3), 5)	用指定值填充數組	[[5, 5, 5], [5, 5, 5]]
基于數值范圍生成
? 等差序列	np.arange()	np.arange(0, 10, 2)	生成步長固定的序列（不含終點）	[0, 2, 4, 6, 8]
? 等間隔序列	np.linspace()	np.linspace(0, 1, 5)	生成指定數量的等間隔值（含終點）	[0.0, 0.25, 0.5, 0.75, 1.0]
? 對數間隔序列	np.logspace()	np.logspace(0, 2, 3, base=10)	生成對數間隔值（如?10^0, 10^1, 10^2）	[1.0, 10.0, 100.0]
特殊矩陣生成
? 單位矩陣	np.eye()	np.eye(3)	生成單位矩陣（對角線為1）	[[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]]
? 對角矩陣	np.diag()	np.diag([1, 2, 3])	生成以指定值為對角線的矩陣	[[1, 0, 0], [0, 2, 0], [0, 0, 3]]
隨機數組生成
? 均勻分布隨機數	np.random.rand()	np.random.rand(2,2)	生成?[0,1) 均勻分布的隨機數	[[0.43, 0.89], [0.21, 0.57]]
? 正態分布隨機數	np.random.randn()	np.random.randn(2,2)	生成標準正態分布隨機數（均值為0，方差為1）	[[-0.5, 1.2], [0.3, -1.8]]
? 隨機整數	np.random.randint()	np.random.randint(1,10, (2,2))	生成指定范圍內的隨機整數	[[3, 7], [5, 2]]
高級構造方法
? 從字符串創建	np.array()	np.array(['a', 'bc'])	將字符串轉換為字符數組	array(['a', 'bc'], dtype='<U2')
? 從文件讀取	np.loadtxt()	np.loadtxt('data.txt')	從文本文件加載數據	依賴文件內容（如?[[1., 2.], [3., 4.]]）
? 函數生成數組	np.fromfunction()	np.fromfunction(lambda i,j: i+j, (3,3))	根據函數生成數組元素	[[0., 1., 2.], [1., 2., 3.], [2., 3., 4.]]

創建方法匯總

基礎構造：??適用于手動構建小規模數組或復制已有數據。

預定義形狀填充：??用于快速初始化固定形狀的數組（如全0占位、全1初始化）。

基于數值范圍生成：??生成數值序列，常用于模擬時間序列、坐標網格等。

特殊矩陣生成：??數學運算專用（如線性代數中的單位矩陣）。

隨機數組生成：??模擬實驗數據、初始化神經網絡權重等場景。

高級構造方法：??處理非結構化數據（如文件、字符串）或通過函數生成復雜數組。

2.2.3.1 ?從?Python 數據結構轉換

將?Python 列表、元組等轉換為?ndarray，是最直接的方式。

np.array(object, dtype=None)

Python
import numpy as np

# 從列表創建一維數組
arr1 = np.array([1, 2, 3])
print(arr1) ?# 輸出: [1 2 3]

# 從嵌套列表創建二維數組
arr2 = np.array([[1, 2], [3, 4]])
print(arr2)
# 輸出:
# [[1 2]
# ?[3 4]]

# 指定數據類型
arr3 = np.array([1, 2.5], dtype=np.float32)
print(arr3.dtype) ?# 輸出: float32

注意事項

混合類型時，NumPy 會統一為最高優先級類型（如?int + float → float，數值?+ 字符串?→ 字符串）。

列表的嵌套層級決定?ndim（維度數）。

2.2.3.2 預定義形狀填充

快速初始化固定形狀的數組，常用于占位或初始化權重矩陣。

Python
np.zeros(shape, dtype=float) ?# 全0 ?返回給定形狀和類型的新數組，用0填充。
np.ones(shape, dtype=float) ??# 全1 ?返回給定形狀和類型的新數組，用1填充。

Python
# 創建?2x3 全0浮點數組
zeros_arr = np.zeros((2, 3))
print(zeros_arr)
# 輸出:
# [[0. 0. 0.]
# ?[0. 0. 0.]]

# 創建?3x2 全1整數數組
ones_arr = np.ones((3, 2), dtype=int)
print(ones_arr)
# 輸出:
# [[1 1]
# ?[1 1]
# ?[1 1]]

默認數據類型為?float64，需顯式指定?dtype?為?int?或其他類型。

未初始化的數組?(np.empty)

np.empty(shape, dtype=float)

返回給定形狀和類型的未初始化的新數組。

創建未初始化的數組（值隨機，取決于內存狀態），適用于對性能要求極高的場景。

Python
empty_arr = np.empty((2, 2))
print(empty_arr) ?# 輸出可能為隨機值（如?[[1e-323, 0. ], [0., 0. ]]）

不推薦直接使用：需手動填充數據，否則可能引入不可預測的錯誤。

需要注意的是，np.empty?并不保證數組元素被初始化為?0，它只是分配內存空間，數組中的元素值是未初始化的，可能是內存中的任意值。

重復填充數組?(np.full)

np.full(shape, fill_value, dtype)

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

zeros_like()：返回與給定數組具有相同形狀和類型的0新數組。

ones_like()：返回與給定數組具有相同形狀和類型的1新數組。

empty_like()：返回與給定數組具有相同形狀和類型的未初始化的新數組。

Plain Text
arr2?= np.ones_like(arr1) ?# 創建和arr1形狀相同的全1數組
arr4?= np.empty_like(arr3) ?# 創建和arr3形狀相同的未初始化數組
arr2?= np.full_like(arr1, 5)

2.2.3.3 基于數值范圍生成

(1) np.arange：等差序列

np.arange(start, stop, step)

返回在給定范圍內用均勻間隔的值填充的一維數組。

Python
arr = np.arange(0, 10, 2) ?# 0 ≤ 值?<10，步長2
print(arr) ?# 輸出: [0 2 4 6 8]

(2) np.linspace：等間隔數組（含終點）

np.linspace(start, stop, num=50) ?

返回指定范圍和元素個數的等差數列。數組元素類型為浮點型。

Python
arr = np.linspace(0, 1, 5) ?# 0到1之間生成5個等間隔值
print(arr) ?# 輸出: [0. ??0.25 0.5 ?0.75 1. ?]

(3) np.logspace：對數間隔數組

np.logspace(start, stop, num=50, base=10) ?

返回指定指數范圍、元素個數、底數的等比數列。

Python
arr = np.logspace(0, 2, 3) ?# 10^0, 10^1, 10^2
print(arr) ?# 輸出: [ ?1. ?10. 100.]

2.2.3.4 ?特殊矩陣

矩陣補充知識

矩陣是線性代數的核心概念，可以理解為一個數字的矩形表格，用來表示數據、方程組或線性變換。下面用最直觀的方式介紹它的基本概念和應用。

矩陣是一個由?行（row）?和?列（column）?排列成的矩形數組，例如：

形狀（shape）：這個矩陣有?2 行?3 列，記作?2×32×3 矩陣。

元素（entry）：矩陣中的每個數字稱為元素，如?A1,2=2A1,2=2（第?1 行第?2 列）。

矩陣的用途

(1) 表示線性方程組

例如，方程組：

可以寫成矩陣形式：

即?Ax=b，其中：

A?是系數矩陣，

x?是未知數列向量，

b?是常數項列向量。

(2) 表示線性變換

矩陣可以描述空間中的變換，比如旋轉、縮放、投影。

例如，一個?2×22×2 矩陣可以表示二維平面的旋轉：

作用在向量?[xy][xy] 上，會使其旋轉?θθ?角度。

(3) 數據表示（如機器學習）

在機器學習中，數據集通常用矩陣表示：

每一行代表一個樣本（如一張圖片），

每一列代表一個特征（如像素值）。

矩陣的基本運算

(1) 矩陣加法

對應位置的元素相加，要求兩個矩陣形狀相同：

(2) 矩陣數乘

矩陣的每個元素乘以一個標量（數）：

(3) 矩陣乘法

矩陣乘法?不是?對應元素相乘，而是?行?× 列?的點積運算：

注意：矩陣乘法不滿足交換律（AB≠BAAB=BA）。

(4) 轉置（Transpose）

行列互換：

特殊矩陣

(1) 單位矩陣?(np.eye/np.identity)

Python
np.eye(N) ?# NxN 單位矩陣
np.identity(N)

Python
eye_arr = np.eye(3)
print(eye_arr)
# 輸出:
# [[1. 0. 0.]
# ?[0. 1. 0.]
# ?[0. 0. 1.]]

(2) 對角矩陣?(np.diag)

Python
np.diag([a, b, c]) ?# 對角線為?a, b, c，其余為0

Python
diag_arr = np.diag([1, 2, 3])
print(diag_arr)
# 輸出:
# [[1 0 0]
# ?[0 2 0]
# ?[0 0 3]]

2.2.3.5 ?隨機數組

(1) 均勻分布隨機數?(np.random.rand)

返回給定形狀的數組，用?[0, 1) 上均勻分布的隨機樣本填充。

Python
rand_arr = np.random.rand(2, 2) ?# [0,1) 均勻分布
# 輸出示例: [[0.43, 0.89], [0.21, 0.57]]

(2) 正態分布隨機數?(np.random.randn)

返回給定形狀的數組，用標準正態分布(均值為0，標準差為1)的隨機樣本填充。

Python
randn_arr = np.random.randn(2, 2) ?# 均值為0，方差為1
# 輸出示例: [[-0.5, 1.2], [0.3, -1.8]]

(3) 隨機整數?(np.random.randint)

返回給定形狀的數組，用從低位(包含)到高位(不包含)上均勻分布的隨機整數填充。

Python
int_arr = np.random.randint(1, 10, (2, 2)) ?# [1,10) 的整數
# 輸出示例: [[3, 7], [5, 2]]

（4）random.uniform()

random.uniform()：返回給定形狀的數組，用從低位(包含)到高位(不包含)上均勻分布的隨機浮點數填充。

arr3?= np.random.uniform(3, 6, (2, 3))

# [[5.69275495 3.84857937 3.2899215 ]

# ?[5.32035519 3.7460973 ?3.33859905]]

(5) 設置隨機種子?(np.random.seed)

np.random.seed?是?NumPy 中用于設置**隨機數生成器種子**的函數，目的是確保程序的隨機操作可以重復生成相同的結果（即保證隨機結果的確定性）。這在實驗復現、調試和教學場景中非常有用。

Python
import numpy as np

# 設置隨機種子
np.random.seed(42) ?# 參數可以是任意整數

# 生成隨機數
print(np.random.rand(3)) ?# 輸出固定結果

每次運行上述代碼都會得到相同的隨機數序列（例如?[0.37454012, 0.95071431, 0.73199394]）。

關鍵細節

種子的一致性：

相同種子生成的隨機數序列完全一致。

不同種子（如?np.random.seed(0)?和?np.random.seed(1)）會產生不同序列。

作用范圍：

種子對后續所有基于?NumPy 的隨機函數生效（如?np.random.rand(), np.random.normal(), np.random.shuffle()?等）。

通過控制種子，你能在“隨機”和“可復現”之間靈活切換！

2.2.3.6 高級構造方法

(1) np.loadtxt

Python
data = np.loadtxt('data.txt') ?# 讀取文本文件

(2) np.genfromtxt

Python
data = np.genfromtxt('data.csv', delimiter=',') ?# 支持復雜格式

2.2.3.7 創建方法推薦場景

場景	推薦方法	優點
快速初始化全0/全1數組	np.zeros/np.ones	內存預分配，明確值
生成數值序列	np.arange/np.linspace	靈活控制范圍和步長
創建單位矩陣或對角矩陣	np.eye/np.diag	數學運算專用
高性能預分配內存	np.empty	速度最快（需手動初始化）
隨機數據生成	np.random?模塊	模擬實驗數據