### NumPy 中 `ndarray` 数组的定义与使用方法 NumPy 是 Python 中用于科学计算的核心库之一，它提供了一个强大的多维数组对象 `ndarray`（N-dimensional Array），该对象封装了许多常用的数学运算函数，适用于数据处理和分析任务[^2]。与 Python 原生的列表相比，`ndarray` 在创建时具有固定大小，且所有元素必须为相同的数据类型，这使得其在执行操作时更高效[^3]。 #### 初始化 `ndarray` 可以通过多种方式创建 `ndarray`，其中最常见的是使用 `np.array()` 函数将 Python 列表或元组转换为数组。 ```python import numpy as np # 从列表创建一维数组 t1 = np.array([1, 2, 3]) print(t1) print(type(t1)) # <class 'numpy.ndarray'> ``` 还可以创建多维数组，例如二维数组： ```python # 从嵌套列表创建二维数组 t2 = np.array([[1, 2, 3], [4, 5, 6]]) print(t2) ``` NumPy 还提供了一些便捷函数用于初始化特定类型的数组： - `np.zeros()`：创建全为 0 的数组 - `np.ones()`：创建全为 1 的数组 - `np.empty()`：创建未初始化的数组（值是随机的） - `np.arange()`：创建等差数列数组 - `np.linspace()`：创建在指定区间内均匀分布的数组 ```python # 创建全为 0 的数组 zeros = np.zeros((2, 3)) print(zeros) # 创建等差数列数组 arange = np.arange(0, 10, 2) # 起始值 0，终止值 10（不包含），步长 2 print(arange) # 创建 5 个在 0 到 1 之间均匀分布的数 linspace = np.linspace(0, 1, 5) print(linspace) ``` #### `ndarray` 的属性 `ndarray` 提供了多个属性用于获取数组的元信息，包括： - `shape`：数组的维度 - `dtype`：数组元素的数据类型 - `ndim`：数组的维数 - `size`：数组元素的总数 ```python arr = np.array([[1, 2], [3, 4]]) print("Shape:", arr.shape) # (2, 2) print("Data type:", arr.dtype) # int64 print("Number of dimensions:", arr.ndim) # 2 print("Total elements:", arr.size) # 4 ``` #### 动态扩展 `ndarray` 与 Python 列表不同，`ndarray` 的大小是固定的，不能直接进行动态扩展。如果需要“扩展”数组，通常需要创建一个新的数组。例如，使用 `np.vstack()` 或 `np.hstack()` 实现垂直或水平方向的拼接： ```python arr1 = np.array([[1, 2], [3, 4]]) arr2 = np.array([[5, 6]]) # 垂直拼接 extended = np.vstack((arr1, arr2)) print(extended) ``` 也可以使用 `np.append()` 添加元素，但这种方式效率较低，适合一次性操作： ```python arr = np.array([1, 2, 3]) arr = np.append(arr, [4, 5]) print(arr) ``` 需要注意的是，频繁使用这些方法进行动态扩展会带来性能开销，因为每次操作都会创建新的数组。因此，在处理大规模数据时，建议预先分配足够大小的数组。 --- ###