2025——》创建Numpy数组np.array(列表)NumPy数组创建全攻略

创建Numpy数组np.array(列表)

让我们来开始认识学习——创建Numpy数组np.array(列表)吧！！！

np.array(列表) 是 NumPy 中最基本的数组创建方法，用于将 Python 列表（或嵌套列表）转换为 NumPy 数组。以下是详细介绍：

1. 功能

将 Python 列表（list）或嵌套列表转换为 NumPy 数组，支持多维结构。

2. 基本语法

import numpy as np

# 从一维列表创建数组
arr1d = np.array([1, 2, 3, 4])

# 从嵌套列表创建二维数组（矩阵）
arr2d = np.array([[1, 2, 3], [4, 5, 6]])

# 从嵌套列表创建三维数组
arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

import numpy as np

# 从一维列表创建数组
arr1d = np.array([1, 2, 3, 4])

# 从嵌套列表创建二维数组（矩阵）
arr2d = np.array([[1, 2, 3], [4, 5, 6]])

# 从嵌套列表创建三维数组
arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

3. 关键特性

3.1 数据类型（dtype）

• 数组元素必须为同一数据类型（如整数、浮点数）。
• NumPy 会自动推断数据类型，也可通过 dtype 参数显式指定：

  # 自动推断为整数
  arr_int = np.array([1, 2, 3])  # dtype='int64'

  # 显式指定为浮点数
  arr_float = np.array([1, 2, 3], dtype=float)  # dtype='float64'

• # 自动推断为整数
  arr_int = np.array([1, 2, 3])  # dtype='int64'
  
  # 显式指定为浮点数
  arr_float = np.array([1, 2, 3], dtype=float)  # dtype='float64'
  

3.2 多维结构

• 二维数组：嵌套列表的每个子列表代表一行。

• arr2d = np.array([[1, 2, 3], [4, 5, 6]])
  print(arr2d.shape)  # 输出: (2, 3)  → 2行3列

  arr2d = np.array([[1, 2, 3], [4, 5, 6]])
  print(arr2d.shape)  # 输出: (2, 3)  → 2行3列
  

• 三维数组：嵌套列表的每个子列表代表一个二维数组。

  arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
  print(arr3d.shape)  # 输出: (2, 2, 2) → 2个2×2矩阵

  arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
  print(arr3d.shape)  # 输出: (2, 2, 2) → 2个2×2矩阵
  

4. 示例代码

4.1 一维数组

import numpy as np

# 从列表创建一维数组
a = np.array([10, 20, 30, 40])
print(a)          # 输出: [10 20 30 40]
print(a.shape)    # 输出: (4,)
print(a.dtype)    # 输出: int64

import numpy as np

# 从列表创建一维数组
a = np.array([10, 20, 30, 40])
print(a)          # 输出: [10 20 30 40]
print(a.shape)    # 输出: (4,)
print(a.dtype)    # 输出: int64

4.2 二维数组（矩阵）

# 从嵌套列表创建二维数组
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)
# 输出:
# [[1 2 3]
#  [4 5 6]]
print(b.shape)    # 输出: (2, 3)
 

# 从嵌套列表创建二维数组
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)
# 输出:
# [[1 2 3]
#  [4 5 6]]
print(b.shape)    # 输出: (2, 3)

4.3 指定数据类型

# 创建浮点数数组
c = np.array([1.5, 2.7, 3.9])
print(c.dtype)    # 输出: float64

# 强制转换为整数（截断小数部分）
d = np.array([1.5, 2.7, 3.9], dtype=int)
print(d)          # 输出: [1 2 3]
 

# 创建浮点数数组
c = np.array([1.5, 2.7, 3.9])
print(c.dtype)    # 输出: float64

# 强制转换为整数（截断小数部分）
d = np.array([1.5, 2.7, 3.9], dtype=int)
print(d)          # 输出: [1 2 3]

5. 与其他创建方式的对比

6. 常见问题

6.1 列表长度不一致（无法形成规则多维数组）

# 错误示例：子列表长度不一致
bad_arr = np.array([[1, 2], [3, 4, 5]])  # 会创建包含列表的一维数组
print(bad_arr)  # 输出: array([list([1, 2]), list([3, 4, 5])], dtype=object)
 

# 错误示例：子列表长度不一致
bad_arr = np.array([[1, 2], [3, 4, 5]])  # 会创建包含列表的一维数组
print(bad_arr)  # 输出: array([list([1, 2]), list([3, 4, 5])], dtype=object)

6.2 数据类型自动转换

# 整数与浮点数混合，自动转换为浮点数
mixed_arr = np.array([1, 2.5, 3])
print(mixed_arr)      # 输出: [1.  2.5 3. ]
print(mixed_arr.dtype)  # 输出: float64

# 整数与浮点数混合，自动转换为浮点数
mixed_arr = np.array([1, 2.5, 3])
print(mixed_arr)      # 输出: [1.  2.5 3. ]
print(mixed_arr.dtype)  # 输出: float64

7. 应用场景

• 数据科学：处理表格数据、图像像素等结构化数据。
• 机器学习：作为模型输入 / 输出的数据容器。
• 数值计算：高效执行数学运算（如矩阵乘法）。

最后，我们通过 np.array()，可以灵活地将 Python 列表转换为高性能的 NumPy 数组，为后续的数据分析和计算奠定基础。