NumPy 函数手册：数组创建

在 NumPy 中，数组（ndarray）是所有数值计算的核心数据结构。几乎所有计算操作，都以数组作为输入或输出。因此，理解数组的创建方式，是学习 NumPy 的基础。

NumPy 提供了多种创建数组的函数。这些函数不仅可以从 Python 对象构造数组，还可以按固定值初始化数组、按数值序列生成数组、根据已有数组形状构造新数组，或生成具有特定结构的矩阵与网格。

从创建方式来看，NumPy 的数组创建函数通常可以分为八类：

（1）从对象或现有数据构造

（2）初始化与占位创建

（3）按已有数组模板创建

（4）按数值序列创建

（5）按结构规则创建

（6）网格与坐标创建

（7）按函数规则创建

（8）按随机数分布创建

需要注意的是，NumPy 的随机数函数也可以生成数组，但由于其涉及随机数生成器与概率分布机制，通常在随机数模块中单独介绍。

一、从对象或现有数据构造

array()

从 Python 对象创建一个新的 ndarray。

numpy.array(object, dtype=None, copy=True, order='K', ndmin=0)

参数说明：

• object：Python 序列（如 list、tuple）或其他数组对象

• dtype：指定数组元素的数据类型

• copy：是否复制数据

• order：指定内存布局方式

'K'：尽量保持输入数组的内存布局

• ndmin：指定最小维度

示例：

arr2 = np.array([[4, 8, 6], [5, 3, 7]])

asarray()

将输入对象转换为 ndarray。如果输入对象本身已经是 ndarray，通常不会复制数据。

numpy.asarray(a, dtype=None, order=None)

参数说明：

• a：输入对象

• dtype：指定数组元素的数据类型

• order：指定内存布局方式

示例：

arr = np.asarray(lst)

asanyarray()

与 asarray() 类似，但如果输入是 ndarray 的子类（如 matrix），则保留其子类类型。

numpy.asanyarray(a, dtype=None, order=None)

示例：

print(type(b))

输出：

解释：

MaskedArray 是 ndarray 的一个子类，用于表示带有缺失值或无效值的数据。

copy()

创建数组的副本，返回一个新的 ndarray。

numpy.copy(a, order='K')

参数说明：

• a：要复制的数组

• order：指定内存布局方式

示例：

arr2 = np.copy(arr1)

fromiter()

从可迭代对象逐个读取元素并创建数组。

numpy.fromiter(iterable, dtype, count=-1)

参数说明：

• iterable：可迭代对象

• dtype：输出数组的数据类型（必填）

• count：读取元素个数（-1 表示读到迭代结束）

示例：

# [0 1 4 9 16]

frombuffer()

从缓冲区对象（buffer）读取数据并创建数组。

numpy.frombuffer(buffer, dtype=float, count=-1, offset=0)

参数说明：

• buffer：提供数据的缓冲区对象

• dtype：指定缓冲区数据的解释类型，默认为 float

• count：读取元素的数量，-1 表示读取所有数据

• offset：从缓冲区的哪个字节开始读取

示例 1：从 bytes 创建数组

# [1 2 3 4]

示例 2：解释为 16 位整数

# [1 2 3 4]

说明：frombuffer() 用于将原始二进制数据直接解释为 NumPy 数组。它不复制数据，因此效率很高，常用于处理二进制文件、内存数据或网络数据流。

fromfile()

从二进制文件或文本文件中读取数据并创建数组。

numpy.fromfile(file, dtype=float, count=-1, sep='', offset=0)

参数说明：

• file：文件对象或文件路径字符串

• dtype：读取数据的数据类型，默认 float

• count：读取元素个数，默认 -1 表示读取全部数据

• sep：分隔符

若指定分隔符（如 ' ' 或 ','），则按文本解析

• offset：从文件的哪个字节位置开始读取（仅适用于二进制模式）

示例 1：读取二进制数据

arr = np.fromfile("data.bin", dtype=np.int32)

示例 2：读取文本数据

arr = np.fromfile("data.txt", dtype=int, sep=' ')

fromfile() 可以直接从文件中读取数据创建数组，效率较高，但生成的文件格式缺乏跨平台兼容性，因此在实际工程中更常使用 np.load() / np.save() 等 NumPy 专用格式。

fromstring()

从字符串中解析数据并创建数组。

numpy.fromstring(string, dtype=float, count=-1, sep='')

参数说明：

• string：包含数据的字符串或字节对象

• dtype：输出数组的数据类型，默认 float

• count：读取元素个数，默认 -1 表示读取全部

• sep：分隔符

若指定分隔符，则按文本解析

示例 1：从字符串读取数值

# [1 2 3 4 5]

示例 2：解析逗号分隔数据

# [10 20 30 40]

fromstring() 常用于将文本数据快速转换为 NumPy 数组，但在处理复杂文本格式时，通常更推荐使用 np.loadtxt() 或 np.genfromtxt()。

二、初始化与占位创建

这一类函数用于创建指定形状的数组，并用某种默认值填充。

zeros()

创建一个元素全部为 0 的数组。

numpy.zeros(shape, dtype=float)

参数说明：

• shape：数组形状

• dtype：数组元素的数据类型

示例：

np.zeros((2, 3))

输出：

 [0. 0. 0.]]

ones()

创建一个元素全部为 1 的数组。

numpy.ones(shape, dtype=float)

示例：

np.ones((2, 3))

empty()

用于创建空数组（未初始化数组）。

numpy.empty(shape, dtype=float)

这种方式创建数组速度最快。但数组内容未初始化，其值来自内存中的残留数据，因此是不确定的。

示例：

np.empty((2, 2))

full()

创建数组并用指定值填充。

numpy.full(shape, fill_value, dtype=None)

示例：

np.full((2,3), 5)

输出：

 [5 5 5]]

三、按已有数组模板创建

zeros_like()

创建一个与数组 a 形状相同的全 0 数组。

numpy.zeros_like(a, dtype=None, order='K', subok=True, shape=None)

参数说明：

• a：参考数组（决定输出形状）

• dtype：指定输出类型（默认沿用 a）

• order：内存布局（'C'/'F'/'A'/'K'）

• subok：是否保留子类类型（默认 True）

• shape：指定输出形状（覆盖 a 的 shape，可选）

示例：

arr = np.zeros_like(a)

ones_like()

用于创建一个与数组 a 形状相同的全 1 数组。

numpy.ones_like(a, dtype=None, order='K', subok=True, shape=None)

示例：

arr = np.ones_like(a)

empty_like()

创建一个与数组 a 形状相同、但不初始化内容的数组（值不确定）。

numpy.empty_like(a, dtype=None, order='K', subok=True, shape=None)

示例：

b = np.empty_like(a)

full_like()

创建与数组 a 形状相同的数组，并用指定值填充。

numpy.full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None)

示例：

np.full_like(a, 9)

四、按数值序列创建

arange()

生成等差序列数组，类似 range()。

numpy.arange([start,] stop[, step], dtype=None)

示例：

# [0 2 4 6 8]

linspace()

在指定区间内生成等间隔的数值。

numpy.linspace(start, stop, num=50, endpoint=True, dtype=None)

参数说明：

• start：序列起始值

• stop：序列结束值

• num：生成样本数量（默认 50）

• endpoint：是否包含结束值 stop（默认 True）

• dtype：返回数组的数据类型，默认根据输入自动推断（通常为 float）

示例：

# [0.   0.25 0.5  0.75 1.  ]

logspace()

生成对数间隔序列。

numpy.logspace(start, stop, num=50, endpoint=True, base=10.0)

参数说明：

• start：起始指数值

• stop：结束指数值

• num：生成元素个数（默认 50）

• endpoint：是否包含结束指数对应的值（默认 True）

• base：对数的底数（默认为 10）

示例：

# [1. 10. 100. 1000.]

geomspace()

生成等比数列。

numpy.geomspace(start, stop, num=50, endpoint=True, dtype=None)

参数说明：

• start：序列起始值

• stop：序列结束值

• num：生成元素个数（默认 50）

• endpoint：是否包含终点值 stop（默认 True）

• dtype：指定输出数组的数据类型

示例 1：

# [   1.   10.  100. 1000.]

示例 2：

# [ 1.  2.  4.  8. 16.]

说明：geomspace() 用于生成等比序列数组。与 linspace()（等差序列）和 logspace()（对数刻度序列）相比，它直接按照比例关系生成数据，常用于对数尺度计算和科学建模。

五、按结构规则创建

eye()

创建一个二维数组，其指定对角线上的元素为 1，其余元素为 0。

numpy.eye(N, M=None, k=0, dtype=float)

当 N == M 且 k=0 时，其结果是标准单位矩阵（identity matrix），即，是一个方阵，其主对角线元素为 1，其余元素为 0。

参数说明：

• N： 矩阵的行数

• M：矩阵的列数，默认与 N 相同

• k：对角线位置偏移量

0 表示主对角线，正数表示上对角线，负数表示下对角线。

示例：

np.eye(3)

输出：

 [0. 0. 1.]]

identity()

创建 n × n 单位矩阵。

numpy.identity(n, dtype=None)

示例：

np.identity(3)

tri()

创建一个下三角矩阵（lower triangular matrix）。

numpy.tri(N, M=None, k=0, dtype=float)

参数说明：

• N： 矩阵的行数

• M：矩阵的列数，默认与 N 相同

• k：对角线位置偏移量

0 表示主对角线，正数表示上移，负数表示下移。

示例：

print(a)

输出：

 [1. 1. 1.]]

tril()

返回数组 m 的下三角部分。

numpy.tril(m, k=0)

参数说明：

• m：输入数组（通常为二维矩阵）

• k：对角线偏移量

示例：

print(np.tril(a))

输出：

 [7 8 9]]

triu()

返回数组 m 的上三角部分。

numpy.triu(m, k=0)

示例：

print(np.triu(a))

输出：

 [0 0 9]]

diag()

从一维数组生成对角矩阵，或从二维数组提取指定对角线。

numpy.diag(v, k=0)

参数说明：

• v：一维向量（生成对角矩阵）或二维矩阵（提取对角线）

• k：对角线偏移（0 主对角线；正上负下）

示例 1：由向量生成对角矩阵

np.diag(v)

输出：

 [0 0 3]]

示例 2：从矩阵提取对角线

# [2 6]

diagflat()

将输入展平并生成对角矩阵。

numpy.diagflat(v)

示例：

np.diagflat([1,2,3])

输出：

 [0 0 3]]

六、网格与坐标创建

indices()

生成索引网格数组：返回一个形如 (ndim, ...) 的数组，表示每个维度的坐标索引。

numpy.indices(dimensions, dtype=int, sparse=False)

参数说明：

• dimensions：目标网格形状，如 (2, 3)

• dtype：输出类型（默认 int）

• sparse：是否返回稀疏网格（默认 False）

示例：

np.indices((3,3))

会生成两个数组：

  [0 1 2]]]

• 第一个矩阵 → 行索引

• 第二个矩阵 → 列索引

meshgrid()

将多个一维坐标数组转换为坐标网格矩阵。

numpy.meshgrid(*xi, indexing='xy', sparse=False, copy=True)

参数说明：

• *xi：一维坐标向量（可传多个）

• indexing：'xy'（默认，笛卡尔坐标）或 'ij'（矩阵索引）

• sparse：是否生成稀疏网格（默认 False）

• copy：是否复制数据（默认 True）

示例：

# X.shape == (2, 3), Y.shape == (2, 3)

NumPy 还提供了专门的网格生成对象，其中mgrid通过切片语法直接生成密集网格（dense grid）。

numpy.mgrid[start:stop:step]

ogrid与 mgrid 类似，也是网格生成对象，但生成的是开放网格（open grid）。

numpy.ogrid[start:stop:step]

开放网格不会生成完整的二维矩阵，而是生成可广播的一维数组，因此可以显著减少内存占用。

七、按函数规则生成

NumPy 提供了 fromfunction() 函数，用于根据数组元素的索引位置调用用户定义的函数，从而生成数组。

这种方式非常适合用于构造：

• 距离矩阵

• 权重矩阵

• 坐标函数

• 数值模拟网格

• 数学模式矩阵

fromfunction()

根据数组元素的索引位置调用指定函数，生成一个新的数组。

numpy.fromfunction(function, shape, *, dtype=float, like=None)

参数说明：

• function：用于计算数组元素值的函数。函数的参数个数必须与数组维度相同

• shape：指定生成数组的形状

• dtype：索引数组的数据类型（默认 float）

• like：指定参考数组，用于创建与其兼容的数组（NumPy 1.20 引入）。

示例：生成行列索引之和矩阵

print(a)

输出：

 [2 3 4]]

NumPy 会为每个维度创建一个索引数组，并将这些索引作为参数传递给 function，函数返回的结果即为数组元素值。

八、按随机数分布创建

NumPy 提供随机数生成模块 numpy.random。当前推荐使用 Generator 随机数接口。

详情请参阅：

小结

NumPy 提供了丰富的数组创建函数，可以通过对象转换、初始化函数、序列生成、模板复制、结构矩阵构造、网格生成以及随机数分布等多种方式创建 ndarray。掌握这些创建方式，可以灵活构造具有指定形状、数据类型与数值结构的数组，为后续的向量化计算与科学计算奠定基础。

“点赞有美意，赞赏是鼓励”