### Numpy 数组构建方法 Numpy 是一个用于科学计算的强大工具，其核心功能围绕着多维数组对象 `ndarray` 展开。以下是关于如何构建 NumPy 数组的方法及其相关实验总结。 #### 创建 NumPy 数组的方式 1. **通过列表或其他序列创建数组** 可以使用 `numpy.array()` 函数将 Python 列表转换为 NumPy 数组。 ```python import numpy as np list_data = [1, 2, 3, 4] array_from_list = np.array(list_data) print(array_from_list) # 输出: [1 2 3 4] ``` 2. **创建全零或全一数组** - 使用 `np.zeros(shape)` 方法可以创建指定形状的全零数组[^4]。 ```python zeros_array = np.zeros((3, 4)) print(zeros_array) ``` - 类似地，`np.ones(shape)` 方法可用于创建全一数组。 ```python ones_array = np.ones((2, 3)) print(ones_array) ``` 3. **生成线性分布的数据** 使用 `np.arange(start, stop, step)` 或者 `np.linspace(start, stop, num)` 来生成一系列均匀间隔的数值。 ```python range_array = np.arange(0, 10, 2) linspace_array = np.linspace(0, 1, 5) print(range_array) # 输出: [0 2 4 6 8] print(linspace_array) # 输出: [0. 0.25 0.5 0.75 1. ] ``` 4. **随机数生成** NumPy 提供了多种方式来生成随机数数组，例如 `np.random.rand(d0, d1, ..., dn)` 和 `np.random.randint(low, high, size)`。 ```python random_uniform = np.random.rand(2, 3) random_integers = np.random.randint(0, 10, (3,)) print(random_uniform) print(random_integers) ``` #### 实验总结 - NumPy 的主要优势在于高效处理大规模数据的能力，这得益于底层 C/C++ 编写的优化算法[^3]。 - 掌握 ndarray 的基本属性（如 shape、dtype、size 等）对于理解数组结构至关重要[^1]。 - 不同类型的数组初始化方法适用于不同的场景需求。例如，在机器学习模型训练中常用到 `zeros` 初始化权重矩阵；而在测试阶段可能更倾向于使用随机数填充输入向量[^2]。 #### 示例代码综合展示 下面是一段完整的示例程序，演示上述几种常见数组构造技术的应用： ```python import numpy as np # 基于现有列表创建数组 list_based_array = np.array([1, 2, 3]) # 零值与单位值初始化 zero_matrix = np.zeros((2, 2)) one_vector = np.ones(5) # 范围定义法 sequence_of_numbers = np.arange(10).reshape(2, 5) print("List-based Array:", list_based_array) print("Zero Matrix:\n", zero_matrix) print("Ones Vector:", one_vector) print("Sequence of Numbers reshaped into matrix form:\n", sequence_of_numbers) ```