NumPy 的 Array 数组创建

NumPy 提供好几种创建数组的方法，例如，您可以使用 array 函数从常规 Python 列表或元组创建数组，根据序列中元素的类型推导所得数组的类型。

概述

ndarray 是相同类型和大小的项目的（通常为固定大小）多维容器。 数组中维和项的数量由其形状定义，形状是 N 个非负整数的元组，用于指定每个维的大小。 数组中项目的类型由单独的数据类型对象（dtype）指定，其中一个与每个 ndarray 相关联。

与 Python 中的其他容器对象一样，可以通过对数组建立索引或切片（使用N个整数）以及 ndarray 的方法和属性来访问和修改 ndarray 的内容。

简单创建

一个大小为 2 x 3 的二维数组，由4个字节的整数元素组成：

x = np.array([[1, 2, 3], [4, 5, 6]], np.int32)
type(x)
# <class 'numpy.ndarray'>
x.shape
# (2, 3)
x.dtype
# dtype('int32')

其他方式创建

NumPy 提供了多种的数据生成方法，可以满足我们日常数据推演，数据测算，数据调研等各个方面的需求。创建数组有5种通用机制：

• 从其他 Python 结构（例如列表，元组）转换
• 内在的 numpy 数组创建对象（例如 arange，1、0 等）
• 从磁盘读取阵列的标准或自定义格式
• 通过使用字符串或缓冲区从原始字节创建数组
• 使用特殊的库函数（例如，随机的）

另外还有复制，联接或以其他方式扩展或变异现有阵列的方法。

Python 类列表创建

通常，可以通过使用 array() 函数将 Python 中以数组状结构排列的数值数据转换为数组。 最明显的例子是列表和元组，有关使用的详细信息，请参见 array() 的文档。 一些对象可能支持数组协议，并允许以这种方式转换为数组。 查找是否可以使用 array() 将对象转换为 numpy 数组的简单方法是，以交互方式尝试并查看其是否有效。

例如：

x = np.array([2,3,1,0])
x = np.array([2, 3, 1, 0])
# note mix of tuple and lists, and types
x = np.array([[1,2.0],[0,0],(1+1j,3.)])
x = np.array([[ 1.+0.j, 2.+0.j], [ 0.+0.j, 0.+0.j], [ 1.+1.j, 3.+0.j]])

NumPy 自身数组创建方法

NumPy 具有以下可以自身从无到创建数组的内置功能：

zeros(shape) 将创建一个数组，其中填充了具有指定形状的值全为 0 数组，默认dtype是float64。

np.zeros((2, 3))
'''
array([[0., 0., 0.],
       [0., 0., 0.]])
'''

ones(shape) 将创建一个填充值全为 1 的数组，它在所有其他方面都与 zeros(shape) 相同。

arange() 将创建具有规则递增值的数组，这里将给出一些示例：

np.arange(10)
# array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.arange(2, 10, dtype=float)
# array([ 2., 3., 4., 5., 6., 7., 8., 9.])
np.arange(2, 3, 0.1)
# array([ 2. , 2.1, 2.2, 2.3, 2.4, 2.5, 2.6, 2.7, 2.8, 2.9])

请注意，后续将介绍上例 arange 最后用法的一些细微之处。

linspace() 将创建具有指定数量元素的数组，并在指定的开始值和结束值之间等距间隔，例如：

np.linspace(1., 4., 6)
# array([ 1. ,  1.6,  2.2,  2.8,  3.4,  4. ])

这个创建函数的优点是可以保证元素的数量以及起点和终点，而 arange() 通常不能保证任意的起点，终点和步长值。

indices() 将创建一组数组（堆叠为一维数组），每个维度一个，每个维度代表该维度的变化，一个例子比口头描述更能说明问题：

np.indices((3,3))
'''
array([[[0, 0, 0],
        [1, 1, 1],
        [2, 2, 2]],

       [[0, 1, 2],
        [0, 1, 2],
        [0, 1, 2]]])
'''

这对于在规则网格上评估多维函数特别有用。

从磁盘读取数据阵列

大概这是大型数组创建的最常见情况。当然，这些细节在很大程度上取决于磁盘上数据的格式，因此本节仅能提供有关如何处理各种格式的一般指导。

标准二进制格式

各个字段具有用于数组数据的标准格式。以下列出了使用已知的 python 库读取它们并返回 numpy 数组的库（可能还有其他可能读取并转换为 numpy 数组的库，因此也请检查最后一部分）

'''
HDF5: h5py
FITS: Astropy
'''

无法直接读取但不难转换的格式示例包括 PIL 之类的库支持的那些格式（能够读取和写入许多图像格式，例如 jpg，png 等）。

通用ASCII格式

逗号分隔值文件（CSV）被广泛使用（以及 Excel 等程序的导出和导入选项）。有多种方法可以在 Python 中读取这些文件。 Python 中有 CSV 函数，而 pylab 中有函数（matplotlib的一部分）可以使用 。scipy 中的 io 包读取更多通用的ascii文件。

自定义二进制格式

一个人可以使用多种方法。如果文件具有相对简单的格式，则可以编写一个简单的 I/O 库，并使用 numpy fromfile() 函数和 .tofile() 方法直接读取和写入 numpy 数组（不过请注意您的字节序！）或存在读取数据的 C++ 库，可以用多种技术包装该库，尽管这肯定需要做更多的工作，并且需要相当多的高级知识才能与 C 或 C++ 交互。

特殊库使用

有些库可用于生成特殊用途的数组，并且无法枚举所有库。最常见的用途是可以生成随机值数组的许多数组生成函数，以及一些实用程序函数来生成特殊矩阵（例如 diagonal 对角线）。

参考

• https://numpy.org/doc/stable/user/basics.creation.html
• https://numpy.org/doc/stable/reference/routines.array-creation.html