NumPy数组创建指南：从Python杂货铺到数据科学军营

引言：为什么我们需要NumPy？

想象一下，你正在用Python列表存储100万个温度数据。每个温度值都被Python当作一个独立的对象——有类型检查、引用计数等“豪华包装”。这就像一个杂货铺，每颗糖果都有独立包装，虽然精致但极其浪费空间！

# Python列表：每个元素都是独立对象
temp_list = [36.5, 37.2, 36.8, ...]  # 100万个这样的值

这时，NumPy数组登场了——它像一支纪律严明的军队，所有士兵（数据）整齐划一，共享同一种“军装”（数据类型），内存效率提升数十倍！

一、创建你的第一个NumPy数组

1.1 基础创建：从列表到数组

import numpy as np  # 标准导入，别名np是行业惯例

# 创建整数数组 - 干净利落！
a1 = np.array([1, 10, 100])
print(f"整数数组: {a1}")  # 输出: [1 10 100]
print(f"数据类型: {a1.dtype}")  # 输出: int64

# 创建浮点数组 - 带小数点的优雅
a2 = np.array([1.1, 2.2, 3.14])
print(f"浮点数组: {a2}")  # 输出: [1.1 2.2 3.14]
print(f"数据类型: {a2.dtype}")  # 输出: float64

注意：NumPy数组打印时没有逗号分隔，这是它与Python列表的视觉身份证！

1.2 同化定理：NumPy的”沉默暴君”

NumPy数组有个重要特性：所有元素必须是同一种数据类型。当你试图混搭时，NumPy会默默地进行类型转换：

# 实验1：浮点数闯入整数王国
a1 = np.array([1, 10, 100])
a1[0] = 13.1  # 浮点数？砍掉小数部分！
print(f"浮入整: {a1}")  # 输出: [13 10 100]

# 实验2：整数拜访浮点宫殿
a2 = np.array([1.1, 2.2, 3.14])
a2[0] = 10  # 整数？赐你小数点！
print(f"整入浮: {a2}")  # 输出: [10. 2.2 3.14]

规律总结：低级类型（整数）放入高级类型（浮点）数组会被”提拔”，反之则被”降级”。

二、数组转化：NumPy的变形记

2.1 显式转化：astype()方法

# 整数数组 → 浮点数组
a1 = np.array([1, 10, 100])
a1_float = a1.astype(float)  # 注意：创建新数组，不改变原数组
print(f"整数转浮点: {a1_float}")  # 输出: [1. 10. 100.]

# 浮点数组 → 整数数组
a2 = np.array([1.1, 2.2, 3.14])
a2_int = a2.astype(int)  # 直接截断，不是四舍五入！
print(f"浮点转整数: {a2_int}")  # 输出: [1 2 3]

重要提示：astype()会创建新数组，原数组保持不变！

2.2 隐式转化：运算中的类型提升

# 整数数组遇到浮点数
arr = np.array([1, 10, 100])

print(f"加浮点: {arr + 1.0}")    # 输出: [2. 11. 101.]
print(f"乘浮点: {arr * 1.0}")    # 输出: [1. 10. 100.]
print(f"除以整数: {arr / 1}")    # 输出: [1. 10. 100.] 注意！结果是浮点！

# 整数数组与浮点数组共舞
float_arr = np.array([1.1, 2.2, 3.14])
print(f"数组相加: {arr + float_arr}")  # 输出: [2.1 12.2 103.14]

规律：只要运算中出现浮点数，整数数组就会”绅士地”转换为浮点数组。

三、数组维度：从一维到多维世界

3.1 理解数组形状

# 一维数组 - 一条直线
arr1d = np.array([1, 2, 3])
print(f"一维形状: {arr1d.shape}")  # 输出: (3,) 注意这个逗号！

# 二维数组 - 一张表格
arr2d = np.array([[1, 2], [3, 4]])
print(f"二维形状: {arr2d.shape}")  # 输出: (2, 2)

# 三维数组 - 一摞表格
arr3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(f"三维形状: {arr3d.shape}")  # 输出: (2, 2, 2)

形状解读：(行, 列, 深度, ...) 从外向内解读，就像俄罗斯套娃！

3.2 快速创建特殊数组

# 全是1的数组 - NumPy的"复制粘贴"
ones_1d = np.ones(3)  # 一维：[1. 1. 1.]
ones_2d = np.ones((3, 4))  # 二维：3行4列的全1矩阵
ones_3d = np.ones((2, 3, 4))  # 三维：2层，每层3行4列

# 全是0的数组 - NumPy的"清零操作"
zeros_2d = np.zeros((2, 3))

# 创建序列数组 - NumPy的"等差数列"
range_arr = np.arange(10)  # [0 1 2 3 4 5 6 7 8 9]

# 创建等差数组
lin_arr = np.linspace(0, 1, 5)  # [0. 0.25 0.5 0.75 1.]

# 创建单位矩阵
eye_mat = np.eye(3)  # 3×3单位矩阵

3.3 数组变形：reshape()的魔法

# 一维变二维 - 数组的"七十二变"
arr = np.arange(12)  # [0 1 2 3 4 5 6 7 8 9 10 11]

# 方法1：明确指定形状
arr_2d = arr.reshape((3, 4))  # 3行4列
print("3×4矩阵:\n", arr_2d)

# 方法2：使用-1自动计算
arr_auto = arr.reshape((3, -1))  # 3行，列数自动计算为4
print("自动计算列:\n", arr_auto)

# 二维变一维 - 数组的"返璞归真"
arr_back = arr_2d.reshape(-1)  # 压扁成一维
print(f"回归一维: {arr_back}")

# 重要特性：reshape返回的是视图(view)，不是副本！
# 修改视图会影响原数组，除非使用copy()

-1的妙用：告诉NumPy”你帮我算这个维度”，就像说”剩下的都归你”！

四、更多创建技巧

4.1 复制与视图

# 完全复制 - 独立个体
arr = np.array([1, 2, 3])
arr_copy = arr.copy()  # 独立内存
arr_copy[0] = 99
print(f"原数组: {arr}")  # 不变: [1 2 3]

# 视图 - 同一数据的窗口
arr_view = arr.view()
arr_view[0] = 99
print(f"原数组被修改: {arr}")  # 改变: [99 2 3]

4.2 随机数组

# 随机数种子 - 确保可重复性
np.random.seed(42)

# 均匀分布
uniform_arr = np.random.rand(3, 4)  # 0~1均匀分布

# 正态分布
normal_arr = np.random.randn(3, 4)  # 标准正态分布

# 随机整数
int_arr = np.random.randint(0, 10, (3, 4))  # [0,10)的随机整数

五、总结：NumPy数组创建工具箱

方法	用途	示例
`np.array()`	从列表/元组创建	`np.array([1,2,3])`
`np.arange()`	创建序列	`np.arange(10)`
`np.linspace()`	创建等差数组	`np.linspace(0,1,5)`
`np.ones()`	全1数组	`np.ones((3,4))`
`np.zeros()`	全0数组	`np.zeros((2,3))`
`np.eye()`	单位矩阵	`np.eye(3)`
`np.full()`	填充数组	`np.full((2,2), 7)`
`np.random`	随机数组	`np.random.rand(3,4)`