【一起学Python】第78天:NumPy创建数组全攻略,告别手动敲数据!

📌 写在前面

大家好！👋

欢迎来到**【一起学Python】**的第78天！

前四天我们打下了坚实基础：安装环境 → 认识ndarray → 掌握数据类型 → 熟悉数组属性。今天，我们正式进入实战第一步：如何高效创建NumPy数组？

🤔 为什么要学创建数组？

• ✅ 数据分析的第一步永远是构造数据
• ✅ 手动敲数据太慢？NumPy提供秒级生成百万级数据的能力
• ✅ 掌握不同创建方式，能避开90%的初始值错误
• ✅ 为后续的切片、运算、建模铺平道路

今天你将学到：

• 🔸 从Python对象快速转换数组
• 🔸 arange vs linspace 的核心区别
• 🔸 特殊数组（zeros/ones/empty）的正确用法
• 🔸 随机数生成的实战技巧与可重复性设置

准备好了吗？让我们开始吧！👇

一、从已有数据创建数组

1.1 最基础：从列表/元组创建

import numpy as np# 从列表创建一维数组arr1 = np.array([1, 2, 3, 4, 5])print("一维数组:", arr1)# 从嵌套列表创建二维数组arr2 = np.array([[1, 2, 3],                  [4, 5, 6]])print("二维数组:\n", arr2)

💡 关键提醒：

• np.array() 默认会复制数据，修改新数组不会影响原列表
• 如果数据量极大，建议直接使用NumPy原生创建函数，避免Python列表转换的内存开销

二、从数值范围创建数组

2.1 arange()：类似Python的range，但更强大

# 创建0~9的数组arr_arange = np.arange(10)print("arange(10):", arr_arange)# 指定起始、终止、步长arr_step = np.arange(0, 10, 2)print("步长为2:", arr_step)  # [0 2 4 6 8]

⚠️ 注意：arange不包含终止值（类似Python的range）

2.2 linspace()：均匀采样，数据分析最爱

# 在0~1之间均匀生成5个数arr_linspace = np.linspace(0, 1, 5)print("linspace:", arr_linspace)# 输出: [0.   0.25 0.5  0.75 1.  ]

┌────────────┬──────────────┬──────────────┐│    函数    │   控制参数   │   适用场景   │├────────────┼──────────────┼──────────────┤│ arange     │ 步长(step)   │ 整数索引、循环││ linspace   │ 元素个数(num)│ 画图、等距采样│└────────────┴──────────────┴──────────────┘

三、创建特殊数组 ⚡

3.1 全零、全一、自定义填充

# 全零数组（2行3列）zeros_arr = np.zeros((2, 3))print("全零数组:\n", zeros_arr)# 全一数组（3行2列）ones_arr = np.ones((3, 2))print("全一数组:\n", ones_arr)# 自定义填充值（超实用！）full_arr = np.full((2, 3), fill_value=99)print("填充99的数组:\n", full_arr)

3.2 empty()：速度最快，但需小心！

empty_arr = np.empty((2, 2))print("未初始化数组:\n", empty_arr)# 输出：内存中的随机垃圾值（每次运行不同）

⚠️ 核心区别：

• zeros/ones/full：会初始化内存，安全但稍慢
• empty：不初始化，直接分配内存，速度最快，但值不可控！
• ✅ 使用场景：当你确定会立刻覆盖所有元素时，用empty提升性能

四、随机数生成：数据分析的“盲盒” 🎲

NumPy的random模块是模拟数据、机器学习初始化的核心工具。

4.1 三种常用随机分布

# 1. 均匀分布 [0, 1)rand_arr = np.random.rand(2, 3)print("均匀分布:\n", rand_arr)# 2. 标准正态分布（均值0，标准差1）randn_arr = np.random.randn(3, 2)print("正态分布:\n", randn_arr)# 3. 指定范围随机整数 [low, high)randint_arr = np.random.randint(0, 10, (2, 3))print("随机整数:\n", randint_arr)
4.2 必学技巧：设置随机种子 🔑
np.random.seed(42)  # 固定随机种子seed_arr1 = np.random.rand(3)print("第一次运行:", seed_arr1)np.random.seed(42)  # 再次设置相同种子seed_arr2 = np.random.rand(3)print("第二次运行:", seed_arr2)# 输出完全相同！这对模型复现、调试至关重要 ✅
应用场景：
机器学习划分训练/测试集
神经网络权重初始化
蒙特卡洛模拟实验
今日作业
基础题 ⭐
使用np.arange创建0~20，步长为3的数组
使用np.linspace创建1~10之间包含8个元素的数组
创建一个3×4的全零数组，并将其数据类型指定为float32
进阶题 ⭐
使用np.random.randint生成一个5×5的矩阵，元素范围[1, 100]
设置随机种子为100，生成3个随机数，记录结果
对比np.zeros((1000,1000))和np.empty((1000,1000))的创建时间（使用time模块）
挑战题 ⭐⭐
用np.empty创建一个形状为(2, 3)的数组，然后用循环将其填充为[[1,2,3],[4,5,6]]
编写一个函数：输入(start, stop, num)，自动判断用arange还是linspace更合适
生成1000个服从正态分布的随机数，计算它们的均值和标准差（验证是否接近0和1）
💡 参考代码：
import numpy as npimport time# 基础题arr1 = np.arange(0, 20, 3)arr2 = np.linspace(1, 10, 8)arr3 = np.zeros((3, 4), dtype=np.float32)# 进阶题matrix = np.random.randint(1, 100, (5, 5))np.random.seed(100)rand_nums = np.random.rand(3)print("随机数:", rand_nums)# 性能对比start = time.time()_ = np.zeros((1000, 1000))print(f"zeros耗时: {time.time()-start:.4f}秒")start = time.time()_ = np.empty((1000, 1000))print(f"empty耗时: {time.time()-start:.4f}秒")
🎓 明日预告
第79天：NumPy切片与索引进阶
你将学到：
🔸 多维数组的切片语法精髓
🔸 布尔索引：按条件筛选数据
🔸 花式索引：高级数据提取技巧
🔸 实战：从Excel表格思维到NumPy索引思维
敬请期待！
💡 学习小贴士
创建选择指南：
等差序列 → arange
等分采样 → linspace
占位初始化 → zeros（安全） / empty（极速）
模拟数据 → random 系列
性能优化：
创建大数组时，先分配后填充，避免循环中append
始终在创建时指定dtype，避免后续转换开销
调试技巧：
随机结果不一致？检查是否漏了np.random.seed()
empty输出奇怪的值？这是正常的！记得用zeros替代
📚 学习路线图
第74天：NumPy安装 ✓第75天：ndarray对象 ✓第76天：数据类型 ✓第77天：数组属性 ✓第78天：创建数组 ✓ ← 你今天在这里第79天：切片和索引第80天：数组运算第81天：广播机制...
💬 写在最后
创建数组是数据分析的起手式，掌握这些方法，你就能：
✅ 秒级构造百万级测试数据✅ 精准控制初始值与分布✅ 为后续计算打下坚实基础
今天重点掌握：
✅ arange 与 linspace 的场景选择
✅ empty 的性能优势与使用边界
✅ 随机种子的可重复性价值
如果觉得有用，记得：
👍 点赞支持一下
⭐ 收藏方便复习
📤 分享给更多小伙伴
完成作业的同学，欢迎在评论区打卡！ 💪
【一起学Python】每天进步一点点，365天后遇见更优秀的自己！
关注公众号，不错过每天的学习内容！
🎯 今日金句：
"好数据是算出来的，好数组是创出来的。掌握创建技巧，让数据为你所用！" 🛠️
明天见！ 🌟