详解numpy.array()函数：创建高效多维数组的Python方法

numpy.array() 是 Python 库 numpy 中的一个核心函数，用于创建 numpy.ndarray（NumPy 数组），这是一种高效、灵活且功能强大的多维数组对象，专为数值计算设计。以下是该函数的基本用法、参数说明及功能概述：

函数签名与基本用法

numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)

参数详解

• object (array-like): 数据源。这是要转换为 numpy.ndarray 的对象。它可以是以下几种类型：

• 数组：如内置的 Python 列表、元组或其他序列类型。
• 公开数组接口的对象：即实现了 NumPy 定义的数组接口的对象。
• 其 __array__ 方法返回数组的对象：某些类可能定义了 __array__ 方法，用于将其实例转换为 numpy.ndarray。
• 任何（嵌套）序列：包括一维或多维的序列结构。

如果 object 是标量（单个数值或非序列对象），则返回包含该对象的 0 维数组。

• dtype (data-type, optional): 数据类型。指定创建的数组应具有的数据类型。如果未指定，NumPy 会尝试根据 object 中的元素自动确定一个能够容纳所有元素的最小类型。
• copy (bool, default: True): 是否复制数据。当设置为 True（默认）时，numpy.array() 会创建 object 数据的副本，确保新数组与原始数据分离。如果设置为 False，且 object 支持缓冲区协议且满足要求（如内存布局、数据类型等），则可能直接使用其内存而不进行复制。
• order ({‘C’, ‘F’, ‘A’, ‘K’}, default: ‘K’): 数组顺序。控制新数组的内存布局：

• ‘C’（C 风格）：行优先顺序（行内元素连续存储）。
• ‘F’（Fortran 风格）：列优先顺序（列内元素连续存储）。
• ‘A’（Any）：如果 object 已经是 NumPy 数组并保持其原有的内存布局。
• ‘K’（Keep）：尽可能保留输入数组的原有顺序（根据输入数据的内存布局决定）。

• subok (bool, default: False): 是否允许子类。如果为 True，允许返回与 object 类型相同的子类数组（如果适用）。否则，总是返回 numpy.ndarray 类型。
• ndmin (int, default: 0): 最小维度。指定创建的数组至少应具有的维度数。如果 object 自身的维度小于 ndmin，则在其前部添加适当的轴（使用 1 进行填充）以达到指定的维度数。

返回值

numpy.array() 返回一个 numpy.ndarray 对象，其内容和结构由输入参数决定。

示例

import numpy as np

# 从列表创建一维数组
arr_from_list = np.array([1, 2, 3, 4, 5])
print(arr_from_list)

# 输出：[1 2 3 4 5]

# 从多维列表创建二维数组
arr_from_nested_list = np.array([[1, 2, 3], [4, 5, 6]])
print(arr_from_nested_list)

# 输出：
# [[1 2 3]
#  [4 5 6]]

# 指定数据类型
arr_with_dtype = np.array([1, 2, 3, 4, 5], dtype=np.float64)
print(arr_with_dtype.dtype)

# 输出：float64

# 控制数组顺序
arr_with_order = np.array([[1, 2, 3], [4, 5, 6]], order='F')
print(arr_with_order.flags['C_CONTIGUOUS'], arr_with_order.flags['F_CONTIGUOUS'])

# 输出：False True

# 添加最小维度
arr_with_ndmin = np.array([1, 2, 3], ndmin=2)
print(arr_with_ndmin.shape)

# 输出：(1, 3)

总结来说，numpy.array() 函数是创建 numpy.ndarray 的主要途径，它能将各种类型的数据源转换为统一、高效的多维数组结构，支持丰富的参数配置以满足不同场景下的数组创建需求。这些数组在数值计算、机器学习、数据分析等领域广泛使用，提供比常规 Python 序列更强大的功能和性能。

存档地址：https://www.yuque.com/worthstudy/study/ipkgxroyxldxbsig?singleDoc# 《numpy.array()函数》