Python中生成ndarray实例讲解

利用array函数生成ndarray数组

在Python数据分析中，NumPy库是核心工具之一。生成ndarray（N-dimensional array）对象通常使用np.array()函数。该函数接受任意序列型对象（如列表、元组等）作为输入，并生成包含传递数据的NumPy数组。

以下代码演示了如何从一维列表和多维列表创建数组，并进行基础的算术运算：

import numpy as np
# 定义一维和多维数据源
data1 = [1, 2, 3, 4]
data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]

# 生成ndarray数组
arr1 = np.array(data1)
arr2 = np.array(data2)

# 执行运算：标量乘法与数组加法
arr1 = arr1 * 10
arr2 = arr2 + arr1

print(arr1)
print(arr2)

通过上述操作，可以看到NumPy数组支持逐元素的算术运算。一维数组arr1乘以标量10后，其元素值相应放大；随后与arr2相加时，实现了广播机制下的逐元素加法。

矩阵内积与对应位置相乘的区别

在NumPy中，矩阵乘法（内积）与数组对应位置相乘是两个不同的概念，初学者容易混淆。以下通过具体实例进行区分。

1. 矩阵内积（dot / matmul）

当处理多维数组时，若需计算矩阵的线性代数内积，应使用np.dot()或np.matmul()函数。这遵循线性代数中矩阵乘法的规则：第一个矩阵的行与第二个矩阵的列对应元素相乘后求和。

# 定义两个二维数组
a = np.array([[1,2,3], [2,3,4]])
b = np.array([[1,2], [3,4], [5,6]])

# 计算矩阵内积
# np.dot(a, b) 或 np.matmul(a, b) 结果一致
result = np.dot(a, b)
print(result)

运行结果如下：

array([[22, 28],
       [31, 40]])

计算逻辑示例（以结果矩阵第一行第一列元素为例）：
1*1 + 2*3 + 3*5 = 1 + 6 + 15 = 22。

2. 对应位置相乘（multiply）

若需将两个形状相同的数组中对应位置的元素直接相乘，应使用np.multiply()函数或直接使用*运算符。这属于逐元素运算（element-wise operation），不改变数组形状。

# 定义两个形状相同的二维数组
a = np.array([[1,2],[3,4]])
b = np.array([[1,1],[2,2]])

# 方法一：使用 * 运算符
result_star = a * b

# 方法二：使用 np.multiply 函数
result_multiply = np.multiply(a, b)

print(result_star)
print(result_multiply)

运行结果如下：

array([[1, 2],
       [6, 8]])

在此例中，a[0][0]*b[0][0] = 1*1 = 1，a[1][0]*b[1][0] = 3*2 = 6，依此类推。注意，若数组形状不同且无法广播，直接相乘会引发错误。

总结

掌握np.array()的创建方式以及区分dot（矩阵内积）与multiply（逐元素相乘）是高效使用NumPy的关键。前者用于线性代数计算，后者用于数据点的直接运算。根据实际需求选择正确的运算方式，能有效避免计算错误。

以上就是Python中生成ndarray实例讲解的详细内容，更多关于Python NumPy数组运算的资料请关注本站其它相关文章！