Python NumPy创建矩阵的5种常用方法

在 Python 的科学计算与数据分析体系中，矩阵（二维数据表结构）是最基础的操作对象。虽然早期 NumPy 提供了专门的 numpy.matrix 类，但官方目前已明确推荐使用标准的二维 numpy.ndarray 来表示和运算矩阵。本文将系统梳理在实际开发中创建矩阵的 5 种高频方法，逐一讲解其语法结构、参数细节与应用场景，帮助读者建立清晰的矩阵构建思路。

方法一：基于已有数据使用 np.array() 转换

当手上已经具备 Python 原生列表（List）或元组（Tuple）时，最直接的方法是使用 np.array() 进行转换。该函数接收嵌套列表作为输入，其中外层列表的每个元素对应矩阵的一行，内层列表包含该行所有列的数据。

import numpy as np

# 使用二维嵌套列表创建 2 行 3 列的整数矩阵
data = [
    [1, 2, 3],
    [4, 5, 6]
]
mat1 = np.array(data, dtype=np.int32)

print("矩阵内容：\n", mat1)
print("形状 (shape):", mat1.shape)
print("数据类型 (dtype):", mat1.dtype)

关键要点与注意事项：

• 行长度必须一致： 嵌套列表中每一个子列表的元素个数必须相同。若长度参差不齐（例如第一行3个元素，第二行2个元素），NumPy 将无法正确构建二维数值数组，甚至抛出 ValueError。
• 类型自动推导： 如果未显式指定 dtype，NumPy 会根据数据特征自动提升类型。例如只要列表中混入一个浮点数，整个矩阵所有元素都会转换为浮点型。

方法二：使用 np.zeros()、np.ones() 或 np.full() 初始化常量矩阵

在算法实现或数值模拟中，我们通常需要先为矩阵预先分配内存空间并赋予固定初值，避免后续频繁动态扩容带来的性能损耗。

• np.zeros(shape)：生成全 0 矩阵。
• np.ones(shape)：生成全 1 矩阵。
• np.full(shape, fill_value)：生成指定标量填充的矩阵。

import numpy as np

# 传入元组 (行数, 列数) 指定形状
zero_mat = np.zeros((3, 3))               # 3x3 全 0 矩阵，默认浮点型 float64
ones_mat = np.ones((2, 4), dtype=int)     # 2x4 全 1 矩阵，显式指定为整型
seven_mat = np.full((2, 3), 7)            # 2x3 填充为 7 的矩阵

print("全0矩阵 (3x3)：\n", zero_mat)
print("全1整型矩阵 (2x4)：\n", ones_mat)
print("常数填充矩阵 (2x3)：\n", seven_mat)

方法三：利用 np.arange() 与 np.linspace() 结合 reshape()

很多计算场景需要按规律生成的等差序列来构建矩阵。np.arange() 和 np.linspace() 默认生成一维数组，通过链式调用 .reshape(rows, cols) 可以将其快速塑形为二维矩阵。

import numpy as np

# 1. np.arange: 指定起点、终点和步长 (步长驱动)
# 生成 0 到 11 的连续整数，并重塑为 3 行 4 列
mat_range = np.arange(12).reshape(3, 4)

# 2. np.linspace: 指定起点、终点和元素总个数 (点数驱动)
# 在 0 到 1 之间均匀采样 6 个点，重塑为 2 行 3 列
mat_linear = np.linspace(0, 1, 6).reshape(2, 3)

print("步长生成重塑矩阵 (3x4)：\n", mat_range)
print("等分采样重塑矩阵 (2x3)：\n", mat_linear)

关键区别深度解析：

二者在构造矩阵时的侧重点截然不同：

• 控制维度不同： np.arange 控制的是相邻元素跨度（例如步长固定为 2 或 0.5）；而 np.linspace 控制的是生成元素的总个数。
• 浮点数累加误差： 当步长为浮点小数时（例如 np.arange(0, 1, 0.1)），由于二进制浮点舍入问题，结果元素的数量可能出现不可预期的偏差。因此，只要需要包含浮点数区间并指定准确点数重塑矩阵，强烈建议使用 np.linspace()。
• reshape 总量守恒： 重塑前的一维元素总数必须严格等于目标矩阵的行数与列数之积（rows * cols）。例如 12 个元素可以 reshape 为 (3, 4) 或 (2, 6)，但若指定 (3, 5) 则会直接触发报错。

方法四：使用 np.eye() 与 np.diag() 构建单位矩阵与对角矩阵

在线性代数计算、坐标变换、协方差矩阵初始化等数学建模场景中，特殊结构的方阵至关重要：

• np.eye(N, M=None, k=0)：生成单位矩阵或主对角线全为 1 的矩阵。
• np.identity(n)：生成严格严格为 n×n 的标准单位方阵。
• np.diag(v, k=0)：根据输入一维向量构建对角矩阵；若传入二维矩阵，则提取其对角线元素。

import numpy as np

# 1. 构建 3x3 标准单位矩阵
identity_mat = np.eye(3)

# 2. 构建主对角线偏移的矩阵 (k=1 表示向上偏移一条对角线)
k_shift_mat = np.eye(4, 4, k=1)

# 3. 基于指定数值向量构建对角矩阵
diag_mat = np.diag([5, 10, 15])

print("标准 3x3 单位矩阵：\n", identity_mat)
print("向上偏移对角矩阵 (k=1)：\n", k_shift_mat)
print("自定义对角矩阵：\n", diag_mat)

方法五：使用 np.random 子模块生成随机矩阵

在机器学习模型参数初始化、算法模拟测试或蒙特卡洛仿真中，随机矩阵不可或缺。NumPy 的 numpy.random 模块提供了丰富的概率分布采样能力：

• np.random.rand(d0, d1)：生成在区间 [0.0, 1.0) 均匀分布的随机矩阵。
• np.random.randn(d0, d1)：生成符合标准正态分布（均值为0，方差为1）的随机矩阵。
• np.random.randint(low, high, size=(rows, cols))：生成指定范围内的随机整数矩阵。

import numpy as np

# 设置随机数种子以确保结果可重现
np.random.seed(42)

# 1. 均匀分布矩阵 (2x3)
mat_uniform = np.random.rand(2, 3)

# 2. 标准正态分布矩阵 (2x3)
mat_normal = np.random.randn(2, 3)

# 3. 随机整数矩阵 (3x3，取值范围 [10, 50))
mat_int = np.random.randint(10, 50, size=(3, 3))

print("均匀分布随机矩阵：\n", mat_uniform)
print("标准正态分布随机矩阵：\n", mat_normal)
print("随机整数矩阵：\n", mat_int)

实战应用：创建矩阵的选择决策路径

面对具体的业务或计算需求，应该选择哪种方法？下图梳理了从需求场景到具体 API 的选择决策路径：

5 种矩阵创建方法横向对比与总结

为了便于查阅，下表归纳了上述 5 种核心方法的参数输入特征、返回维度以及典型适用业务：

掌握这 5 种方法后，可以根据具体任务的数据源（现有数据、常量占位、等差序列、特殊方阵或随机分布）选用最简明、最高效的 API，写出规范且性能优异的 NumPy 数值计算程序。