NumPy 多维数组生成与操作详解

阿麦

发布时间：2026-10-12 | 3人浏览过

原创

本文详细介绍 Python NumPy 库中生成多维数组的核心方法。涵盖 ndarray 类的六个关键参数，以及如何通过 arange、linspace 和 logspace 函数生成不同序列。同时解析如何修改数组形状（shape）与使用 reshape，以及 zeros、ones、empty 和 fromfunction 等高效生成数组的技巧，助力数据科学基础构建。

当前，Python 已成为人工智能领域最主流的开发语言，包括 Google 的 TensorFlow 在内的众多主流工具均优先支持 Python。

然而，与 R 语言不同，Python 在设计之初并未针对矩阵运算或统计计算进行专项优化。因此，我们需要借助 NumPy 库来弥补这一功能缺口。

NumPy 是 Python 中极具影响力的扩展库，其地位相当于 Python 生态中的 MATLAB。

在 NumPy 中，ndarray 类包含六个参数，具体如下：

shape：定义数组的形状。
dtype：指定数据类型。
buffer：暴露缓冲区接口的对象。
offset：数组数据的起始偏移量。
strides：数据访问的步长。
order：可选值为 'C' 或 'F'，决定数据是按行优先还是列优先排列。

如何生成多维数组

初识 ndarray 多维数组

在算法开发中，矩阵是最常用的数据结构之一，我们将从矩阵入手进行讲解。在 NumPy 中，二维的多维数组 ndarray 被用于存储矩阵数据。

示例：

a3 = np.array([[1,0],[0,1]])

这将生成一个如下所示的多维数组对象。

array([[1, 0],
  [0, 1]])

生成数组序列

通过指定开始值、结束值和步长值来生成数组序列 - arange

可以使用 arange 函数生成指定起始值、结束值和步长的一维数组。需要注意的是，结束值不包含在生成的序列内，即结束值对应的是开区间。

In [25]: a4 = np.arange(1,10,1)

In [26]: a4
Out[26]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])

线性序列 - linspace

与 arange 类似，linspace 通过给定初始值、终止值和元素个数来生成序列。是否包含终止值可以通过 endpoint 参数进行设置。

示例：

In [37]: a8 = np.linspace(1,10,10,endpoint=True)

In [38]: a8
Out[38]: array([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])

等比序列 - logspace

除了线性等差数列，我们还可以生成一维的等比数列数组。

默认情况下，logspace 以 10 的 n 次方为参数。例如，logspace(0,4,3) 表示生成 3 个值，初值为 10 的 0 次方（即 1），终值为 10 的 4 次方（即 100）。

例如，生成数组 [1, 100, 10000]。

In [47]: a9 = np.logspace(0,4,3)

In [48]: a9
Out[48]: array([ 1.00000000e+00, 1.00000000e+02, 1.00000000e+04])

我们也可以修改基数，例如将其改为 3。

In [53]: a10 = np.logspace(1,5,3,base=3)

In [54]: a10
Out[54]: array([ 3., 27., 243.])

改变多维数组的形状

若需将一维数组转换为多维数组，可以通过修改 shape 属性来实现。

我们可以先将数据存入一维数组，使用列表或元组生成一维数组，两者效果等价：

示例：

In [2]: a1 = np.array([1,2,3,4])

In [3]: a1
Out[3]: array([1, 2, 3, 4])

In [4]: a2 = np.array((1,0,0,1))

In [5]: a2
Out[5]: array([1, 0, 0, 1])

我们可以通过 shape 属性查看数组的形状：

In [14]: a1.shape
Out[14]: (4,)

In [15]: a2.shape
Out[15]: (4,)

shape 属性支持直接修改。例如，若要将上述 a1 改为 2 x 2 的矩阵，直接修改 shape 的值即可：

In [16]: a1.shape = 2,2

In [17]: a1
Out[17]: 
array([[1, 2],
  [3, 4]])

如果确定其中一个轴的大小，另一个轴可以赋值为 -1，由系统自动计算。

示例：

In [18]: a2.shape= 2,-1

In [19]: a2
Out[19]: 
array([[1, 0],
  [0, 1]])

若希望保持原数组不变，仅生成一个形状改变的新数组，可以调用 reshape 方法。

示例：将一个包含 25 个元素的数组重塑为一个 5x5 的新数组。

In [59]: a11 = np.linspace(1,100,25)

In [60]: a11
Out[60]: 
array([ 1. , 5.125, 9.25 , 13.375, 17.5 , 21.625,
   25.75 , 29.875, 34. , 38.125, 42.25 , 46.375,
   50.5 , 54.625, 58.75 , 62.875, 67. , 71.125,
   75.25 , 79.375, 83.5 , 87.625, 91.75 , 95.875, 100. ])

In [61]: a12 = a11.reshape(5,-1)

In [62]: a12
Out[62]: 
array([[ 1. , 5.125, 9.25 , 13.375, 17.5 ],
  [ 21.625, 25.75 , 29.875, 34. , 38.125],
  [ 42.25 , 46.375, 50.5 , 54.625, 58.75 ],
  [ 62.875, 67. , 71.125, 75.25 , 79.375],
  [ 83.5 , 87.625, 91.75 , 95.875, 100. ]])

直接生成多维数组

生成全 0 的数组

zeros 函数用于生成全 0 数组，第一个参数为 shape。

示例：

In [65]: np.zeros((10,10))
Out[65]: 
array([[ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
  [ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
  [ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
  [ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
  [ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
  [ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
  [ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
  [ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
  [ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
  [ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]])

生成全 1 的数组

示例：

In [66]: np.ones((5,5))
Out[66]: 
array([[ 1., 1., 1., 1., 1.],
  [ 1., 1., 1., 1., 1.],
  [ 1., 1., 1., 1., 1.],
  [ 1., 1., 1., 1., 1.],
  [ 1., 1., 1., 1., 1.]])

仅生成空数组

empty 函数不初始化值，是速度最快的生成方法。

示例：

In [67]: np.empty((3,3))
Out[67]: 
array([[ 1. , 2.125, 3.25 ],
  [ 4.375, 5.5 , 6.625],
  [ 7.75 , 8.875, 10. ]])

通过函数来生成数组

利用 fromfunction 函数，可以通过自定义函数来生成所需的数组。

例如，生成九九乘法表：

In [125]: def mul2(x,y):
  ...:  return (x+1)*(y+1)
  ...: 

In [126]: np.fromfunction(mul2,(9,9))
Out[126]: 
array([[ 1., 2., 3., 4., 5., 6., 7., 8., 9.],
  [ 2., 4., 6., 8., 10., 12., 14., 16., 18.],
  [ 3., 6., 9., 12., 15., 18., 21., 24., 27.],
  [ 4., 8., 12., 16., 20., 24., 28., 32., 36.],
  [ 5., 10., 15., 20., 25., 30., 35., 40., 45.],
  [ 6., 12., 18., 24., 30., 36., 42., 48., 54.],
  [ 7., 14., 21., 28., 35., 42., 49., 56., 63.],
  [ 8., 16., 24., 32., 40., 48., 56., 64., 72.],
  [ 9., 18., 27., 36., 45., 54., 63., 72., 81.]])

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。