人工智能之数据分析 numpy：第三章 Ndarray 对象和数组创建

人工智能之数据分析 numpy

第三章 Ndarray 对象和数组创建

---

---

前言

Ndarray 是 NumPy 的核心数据结构，本质是​存储单一数据类型的多维数组​，也是后续所有操作的基础。它具备高效的存储和运算能力，能够支持批量数据处理，区别于 Python 原生列表（可存储多种数据类型、运算效率低）。

---

一、ndarray 对象的基本特点

• 同构性：数组中所有元素的数据类型必须相同。
• 维度（axes）：可以是一维、二维、三维甚至更高维。
• 形状（shape）：表示每个维度的大小，是一个元组。
• 数据类型（dtype）：如 int32、float64、bool 等。
• 内存连续：默认情况下，数组在内存中是连续存储的，便于高效访问。

---

二、创建 ndarray 的多种方式

1. 从 Python 列表/元组创建

import numpy as np

# 一维数组
a = np.array([1, 2, 3])
print(a)  # [1 2 3]

# 二维数组
b = np.array([[1, 2], [3, 4]])
print(b)
# [[1 2]
#  [3 4]]

注意：np.array() 不会复制数据（除非必要），但会尝试推断 dtype。

---

2. 指定数据类型（dtype）

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

---

3. 使用内置函数创建特定数组

(1) np.zeros(shape)：全 0 数组

z = np.zeros((2, 3))
# [[0. 0. 0.]
#  [0. 0. 0.]]

(2) np.ones(shape)：全 1 数组

o = np.ones((2, 2), dtype=int)
# [[1 1]
#  [1 1]]

(3) np.empty(shape)：未初始化的数组（内容随机）

e = np.empty((2, 2))
# 内容不确定，仅分配内存

(4) np.full(shape, fill_value)：填充指定值

f = np.full((2, 3), 7)
# [[7 7 7]
#  [7 7 7]]

---

4. 创建等差或等比序列

(1) np.arange(start, stop, step)：类似 Python 的 range，但返回 ndarray

r = np.arange(0, 10, 2)  # [0 2 4 6 8]

注意：stop 不包含。

(2) np.linspace(start, stop, num)：生成等间距的 num 个点（包含 stop）

l = np.linspace(0, 1, 5)
# [0.   0.25 0.5  0.75 1.  ]

(3) np.logspace(start, stop, num, base=10)：对数等间距

log_arr = np.logspace(0, 2, 5)  # 10^0 到 10^2，5 个点
# [  1.           3.16227766  10.          31.6227766  100.        ]

---

5. 创建单位矩阵和对角矩阵

(1) np.eye(N, M=None, k=0)：单位矩阵（对角为 1）

I = np.eye(3)
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

• k 表示对角线偏移（k=1 为上对角，k=-1 为下对角）

(2) np.identity(n)：n×n 单位矩阵（是 eye(n) 的简写）

(3) np.diag(v, k=0)：从向量构造对角矩阵，或提取对角线

v = [1, 2, 3]
d = np.diag(v)
# [[1 0 0]
#  [0 2 0]
#  [0 0 3]]

# 反过来：提取对角线
diag_vals = np.diag(d)  # [1 2 3]

---

6. 随机数组生成（使用 np.random 模块）

推荐使用新的随机数生成器（NumPy 1.17+）：

rng = np.random.default_rng(seed=42)

# 均匀分布 [0, 1)
rand_uniform = rng.random((2, 3))

# 正态分布（均值0，标准差1）
rand_normal = rng.standard_normal((2, 2))

# 整数随机
rand_int = rng.integers(low=0, high=10, size=(3,))

旧方法（仍可用，但不推荐）：

np.random.rand(2, 3)        # 均匀分布
np.random.randn(2, 2)       # 标准正态分布
np.random.randint(0, 10, 5) # 整数

---

7. 从已有数组创建新数组（不复制数据或浅拷贝）

• np.copy(a)：深拷贝
• a.view()：视图（共享数据）
• np.asarray(a)：如果 a 已是 ndarray，则不复制

a = np.array([1, 2, 3])
b = a.view()   # 修改 b 会影响 a
c = np.copy(a) # 独立副本

---

8. 从文件或字符串读取（略提）

• np.loadtxt(), np.genfromtxt()：读文本文件
• np.fromfile()：读二进制文件
• np.fromstring()：从字符串解析（已弃用，建议用 frombuffer）

---

三、常用属性

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

print(arr.ndim)   # 维度数：2
print(arr.shape)  # 形状：(2, 3)
print(arr.size)   # 元素总数：6
print(arr.dtype)  # 数据类型：int64（取决于平台）
print(arr.itemsize)  # 每个元素字节数
print(arr.data)   # 内存地址（一般不用）

---

四、小结：常用创建函数速查表

方法	说明
np.array()	从列表/元组创建
np.zeros()	全 0
np.ones()	全 1
np.empty()	未初始化
np.full()	填充指定值
np.arange()	等差整数序列
np.linspace()	等间距浮点序列
np.eye() / np.identity()	单位矩阵
np.diag()	对角矩阵
rng.random() / rng.integers()	随机数组

---

后续

部分代码已经上传至gitee，后续会逐步更新，主要受时间原因限制，当然自己也可以克隆到本地学习拓展。

资料关注

公众号：咚咚王
gitee：https://gitee.com/wy18585051844/ai_learning

《Python编程：从入门到实践》
《利用Python进行数据分析》
《算法导论中文第三版》
《概率论与数理统计（第四版） (盛骤) 》
《程序员的数学》
《线性代数应该这样学第3版》
《微积分和数学分析引论》
《（西瓜书）周志华-机器学习》
《TensorFlow机器学习实战指南》
《Sklearn与TensorFlow机器学习实用指南》
《模式识别（第四版）》
《深度学习 deep learning》伊恩·古德费洛著 花书
《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》
《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》
《自然语言处理综论 第2版》
《Natural-Language-Processing-with-PyTorch》
《计算机视觉-算法与应用(中文版)》
《Learning OpenCV 4》
《AIGC：智能创作时代》杜雨+&+张孜铭
《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》
《从零构建大语言模型（中文版）》
《实战AI大模型》
《AI 3.0》