17、打印出以下函数（要求使用np.zeros创建8*8的矩阵）： [[0 1 0 1 0 1 0 1] [1 0 1 0 1 0 1 0] [0 1 0 1 0 1 0 1] [1 0 1

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 2.3k累计阅读 2.3k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄8年

关注

原创最新推荐文章于 2026-09-15 16:03:32 发布 2.3k 阅读 AI 写同款· GEO 优化 ›

day5--numpy numpy–科学计算库 1:8*8棋盘矩阵，其中1、3、5、7行&amp;amp;&amp;amp;0、2、4、6列的元素置为1 1 ,3，5，7列&amp;amp;&amp;amp;0,2,4,6行也是1 (zeros初始化一个矩阵,可以传入参数行和列，生成一个零矩阵,这里是生成八行八列的0矩阵) import numpy as np z = np.zeros((8,8),dtype=int) z[1::2,::2] ... 阅读详情

n17 = np.zeros(shape=(8,8),dtype='int')
n17[::2,1::2]=1
n17[1::2,::2]=1

收录于

当前文章被以下社区和专栏收录：

NumPy筑基实录：从数组创建到广播机制的工程实践 NumPy是Python科学计算的底层基石，其核心并非语法糖，而是以ndarray为载体的内存连续、类型明确、支持向量化运算的数据抽象。它通过dtype控制精度与内存，借助axis实现多维聚合，依赖广播机制完成高效张量运算。这些特性使NumPy在数据分析、机器学习、信号处理等场景中不可替代——尤其在实时系统、嵌入式部署和大规模数值计算中，直接决定性能边界与工程可行性。本文聚焦真实开发中的数组创建、索引陷阱、广播规则与环境配置，带你建立可落地的NumPy直觉。阅读详情

相关推荐

数据科学中矩阵必须实对称？破除这一危险迷思

矩阵是数据科学的核心数学载体，其基本性质直接影响模型正确性与工程鲁棒性。理解矩阵是否为实数、是否对称，不能依赖经验口诀，而需回归其物理意义与任务逻辑：实数矩阵适用于多数观测数据，但复数矩阵在信号处理、量子机器学习中不可替代；对称性并非默认属性，而是强约束条件——仅当关系双向等价（如欧氏距离、无向图邻接）时才自然成立。强行施加实对称假设，会导致方向性信息丢失、梯度优化失稳、时序建模失效等生产级事故。本文结合协方差矩阵、用户-物品交互矩阵、OD流量矩阵等真实案例，揭示‘实对称’的适用边界与放弃时机，助力工程师在

weixin_33709219的博客 388

NumPy矩阵乘法四大接口：@、matmul、dot与einsum的本质区别

矩阵乘法是科学计算与深度学习的基础操作，其核心在于维度对齐与广播规则。NumPy 提供了 @ 操作符、np.matmul、np.dot 和 np.einsum 四种实现方式，它们并非功能冗余，而是对应不同抽象层级的张量代数契约：@ 严格遵循线性代数语义，仅作用于最后两维；np.matmul 是其函数化等价物但拒绝标量输入；np.dot 作为历史遗留接口，行为随维度变化而多态，易引发广播陷阱；np.einsum 则提供显式爱因斯坦求和控制，适用于高维定制化计算。在 NumPy 2.x 全面落地背景下，@ 已成

weixin_30872499的博客 328

NumPy 2.0迁移指南：内存模型、类型系统与API确定性升级

NumPy作为Python科学计算的基石，其数组（ndarray）和dtype类型系统是数据处理的核心抽象。理解ndarray的内存布局、dtype推导规则及__array_function__协议原理，对保障数值一致性、调试可追溯性和跨平台可移植性至关重要。NumPy 2.0通过严格化内存模型、强化API行为确定性、原生集成numpy.typing类型提示，显著提升了工程可靠性与静态可检性。它适用于科研计算、金融建模、AI预处理等对精度、复现性与长期维护要求严苛的场景。本文聚焦NumPy 2.0三大本质升

weixin_33724059的博客 363

pythonzeros函数_numpy zeros 函数

(★☆☆) (提示: size, itemsize) Z = np.zeros((10,10)) print("%d bytes" % (Z.size * Z.itemsize)) 5. 如何从命令行得到 numpy 中 add 函数......打印出以下函数(要求使用 np.zeros 创建 8*8 的矩阵): [[0 1...(d.dtype) 使用 numpy 中的函数来创建数组创建全是 ...

weixin_39854951的博客 1255

AAAI 2025杰出论文解读：神经符号推理与生物多样性计算的突破性进展

本文深度解读了AAAI 2025两篇杰出论文的突破性进展。南京大学周志华团队提出“溯因反射”框架，高效解决神经符号推理中的“不一致性”核心难题，为构建可靠、可解释的AI系统提供了新路径。斯坦福大学等机构的DiVShift研究，则系统分析了公民科学数据中的复杂分布偏移，为利用海量数据精准监测生物多样性及应对AI数据偏差提供了关键方法论。

weixin_29085865的博客 501

告别Root！用Termux+ADB在Android上玩转自动化（保姆级教程）

本文详细介绍了如何在非Root环境下使用Termux和ADB实现Android自动化操作，无需Root权限即可运行自动化脚本。通过Termux搭建Linux终端环境，结合ADB无线调试和Python脚本，实现点击、滑动、截图等自动化功能，适用于定时任务、自动签到等场景。

weixin_42548888的博客 539

【人工智能与机器学习第1次作业】---Python环境配置与数据处理

weixin_52166467的博客 769

Java后端中的链路追踪：使用OpenTelemetry实现全链路监控

在现代的微服务架构中，链路追踪是监控和优化系统性能的关键技术。通过链路追踪，我们可以跟踪请求在系统中的流转，识别性能瓶颈，定位问题根源。本文将介绍如何在Java后端应用中使用OpenTelemetry实现全链路监控，包括具体的实现步骤和代码示例。通过集成OpenTelemetry，您可以实现全面的链路追踪，帮助您识别瓶颈和潜在问题，从而提升系统的可靠性和用户体验。OpenTelemetry是一个开源项目，旨在提供统一的工具集来收集、处理和导出应用程序的遥测数据，包括跟踪、度量和日志。

聚娃科技开发者博客 1727

python学习——numpy练习题

import numpy as np In[9]: #1 创建一个长度为10的一维全为0的ndarray对象，然后让第5个元素等于1 n = np.zeros(10) n[4] = 1 print(n) [0. 0. 0. 0. 1. 0. 0. 0. 0. 0.] ...

4256

BIOS更新后PIN不可用怎么办？从原理到实操的完整修复指南

在计算机维护中，BIOS更新是常见的固件升级操作，但其引发的登录异常却常让用户措手不及。Windows Hello PIN并非传统密码，它通过TPM芯片与设备启动环境（PCR状态）强绑定，一旦主板固件或安全启动配置改变，TPM便会拒绝释放密钥，导致“由于此设备上的更改，你的PIN不再可用”。理解这一原理后，恢复路径清晰可控：优先尝试密码登录，或通过WinRE替换utilman.exe创建临时管理员，必要时还需处理BitLocker恢复密钥。本文面向系统维护与数据安全场景，系统梳理PIN失效的恢复流程与避坑方

weixin_31364787的博客 360

DA14531-外设驱动篇-UART收发通信应用

宏定义注解CFG_PRINTF用户开启串口串口打印宏设置波特率选择115200。

hejinwu1314的博客 729

Numpy实现8x8国际象棋棋盘矩阵详细实现思路解析

注意点：在当我们遇到不同的数组题目，比如利用数组创建一个金字塔数组，还有交叉数组，这里我们要多利用numpy的切片操作，这可以方便我们很多。在刚刚的国际象棋棋盘矩阵里面，要先寻找规律，然后在利用所学方法进行巧妙的解决。

mackcook的博客 3084

备赛电赛学习硬件篇（二）：电源板电路设计

1、输入接口要准备各种接口，如2p端子，锂电池接口，typec等，提供多种电源供电方案2、输出接口3、自由拓展。

m0_61022809的博客 3213

python 创建一个空向量,python 创建一个空向量_python 创建一维的0向量实例

python 创建一维的0向量实例第一种方法：A=[0]*8第二种方法：import numpy as npA=np.zeros(8)以上这篇python 创建一维的0向量实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。时间： 2019-11-29二维列表转一维列表 from compiler.ast import flatten a=[[1,2],[5,6]] ...

weixin_35435986的博客 2176

WorkBuddy CAD 审图救命课：约束、单位、尺寸链一次查清，打样前拦住返工

最危险的 CAD 文件不是打不开，而是看起来完整却混用了毫米与英寸、草图欠约束、关键尺寸没有来源。审图任务必须先列规则，再输出问题位置。本课不会用“AI 一键完成”制造错觉，而是把 WorkBuddy、FreeCAD 0.21.2、OpenCascade 7.7 与人工审阅组成一条可复现链路。你会从“一份模拟 STEP 文件、参数表、装配基准与审图标准”出发，得到“单位报告、约束清单、尺寸链风险表与人工复核标记”，并学会用真实命令、错误信号和停止条件判断成果能不能进入下一阶段。

yueyeguzhuo的专栏 264

反应动力学仿真软件：Kintecus_（3）.Kintecus安装与配置

在本节中，我们将详细介绍如何安装和配置Kintecus反应动力学仿真软件。Kintecus是一款功能强大的工具，用于模拟和分析化学反应的动力学过程。正确安装和配置软件是开始使用它的第一步。我们将分步骤介绍软件的安装过程，并提供一些基本配置的示例。

kkchenjj的博客 1553

NumPy数组创建完全指南：从基础函数到性能优化实战

在Python数据分析与科学计算领域，数组是构建一切数值运算的核心数据结构。其底层原理基于连续内存块存储与高效向量化操作，通过预编译的C代码实现远超纯Python循环的计算性能，这一特性使其成为机器学习、图像处理和大规模数值模拟的基石。理解数组的创建机制，是掌握高效数据操作的第一步。本文聚焦于NumPy数组创建这一关键技术，深入解析`np.array`、`np.zeros`、`np.linspace`等核心函数的设计逻辑与适用场景，并针对`dtype`数据类型选择与内存预分配等常见性能陷阱提供工程实践解决方

402

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

numpy学习之创建数组

numpy学习之创建数组教程：菜鸟教程----Numpy 菜鸟教程----Python 1.使用array函数创建数组 import numpy as np ndarray1 = np.array([1, 2, 3]) array([1, 2, 3]) ndarray2 = np.array(list('abcd')) array(['a', 'b', 'c'...

Elvirangel的博客 4303

霍尼韦尔SoftMaster使用说明

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

import numpy as np什么意思_100道测试题，带你玩转Numpy模块！

和鲸社区https://www.kesci.com/home/project/59f29f67c5f3f5119527a2ccNumpy是Python做数据分析所必须要掌握的基础库之一。以下为入门Numpy的100题小练习，原为github上的开源项目，由和鲸社区的小科翻译并整理(保留了部分原文作为参考)。受限于篇幅，小编在这里只提供了部分题目的运行结果。友情提示：代码虽好，自己动手才算...

weixin_39890543的博客 869

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

numpy库常用函数大总结

Numpy是Python的一个科学计算的库，提供了矩阵运算的功能，其一般与Scipy、matplotlib一起使用。 arange方法：创建某个区间内等间距的序列数组，返回的是ndarray ①语法：numpy.arange(start, stop, step, dtype = None) ②参数： start —— 开始位置，数字，可选项，默认起始值为0 stop —— 停止位置，数字 ste...

qq_44838702的博客 396

NumPy数组创建全攻略：从底层原理到七大核心方法实践

在Python数据科学与数值计算领域，数组是承载和操作数据的核心数据结构。其底层原理基于连续内存存储与同质数据类型，通过向量化操作和硬件优化实现了远超Python列表的计算性能，这一特性使其成为机器学习、图像处理和科学模拟等高强度计算场景的基石。理解数组的dtype、shape、strides等核心属性，是进行高效内存管理和性能调优的关键。本文聚焦于NumPy数组的创建，深入解析包括np.array()、np.zeros()/ones()/full()、np.arange()/linspace()、np.e

weixin_34032621的博客 342

NumPy向量化与内存连续性实战指南

NumPy是Python科学计算的基石，其核心优势源于向量化运算与底层内存布局的深度协同。向量化并非语法糖，而是绕过Python解释器、直调CPU SIMD指令与BLAS库的性能通路；而内存连续性（C/F-contiguous、strides、flags）则决定了缓存命中率与函数是否触发隐式拷贝。理解广播的stride重映射机制、识别np.vectorize的伪向量化陷阱、掌握np.einsum的张量收缩控制力，以及善用np.add.at、sliding_window_view等高阶原语，能将时序处理、影像

weixin_34258838的博客 362

python3 numpy基本用法归纳总结

安装numpy ： pip install numpynumpy数组生成方法总结In[4]:import numpy as np #使用列表生成一个一维数组 data = [1,2,3,4,5] x = np.array(data) print(x) print(x.dtype) #打印数组类型 print(type(x)) [1 2 3 4 5...

WGH100817的博客 297

Numpy闯关100题，我闯了95关，你呢？

对于Numpy，我讲的不多，因为和Pandas相比，他距离日常的数据处理更“远”一些。但是，Numpy仍然是Python做数据分析所必须要掌握的基础库之一，以下题是github上的开源项目...

weixin_43373042的博客 1234

Numpy总结

文章主要通过案例来理解广播机制、结合相应函数（rollaxis、swapaxes）来理解Axis、总结了相关函数axis=1的操作规律。

星航夜空的帆舟 700

遗传算法工程实战：从调参失效到工业级收敛的17个关键决策

遗传算法不是教科书中的固定五步流程，而是一种需深度适配问题特性的动态优化范式。其核心在于理解解空间拓扑结构、编码度量一致性与适应度函数的业务可解释性。在连续优化、组合调度、实时控制等场景中，实数编码、SBX交叉、自适应变异率等关键技术直接影响收敛速度与鲁棒性；而精英保留、灾变机制、多级熔断终止等工程设计，则决定了算法能否在真实系统中稳定交付。本文聚焦工业落地中最常失效的参数冲突、早熟停滞、评估耗时瓶颈等痛点，提供可复现的最小可运行代码、可视化调试方法与经17个项目验证的调参手册，帮助工程师跨越‘能跑通’到‘

迷彩风情 364

上一篇：一文弄懂神经网络中的反向传播法——BackPropagation

下一篇： 19、将一个一维数组转化为二进制表示矩阵。例如 [1,2,3] 转化为 [[0,0,1], [0,1,0], [0,1,1]]

数据科学中矩阵必须实对称？破除这一危险迷思

weixin_33709219的博客

06-25

388