第 1 章：数组创建（Array Creation） on 跟我学机器学习

NumPy 数组创建详解：从 Python 列表到多维数组与随机数 | NumPy 数组计算实战

Sun, 25 Oct 2026 09:30:00 +0800

第 1.1 节核心知识点#

预计学习时长： 35 分钟

本节目标：

会用 np.array() 把列表变成数组，也知道二维数组怎么造；

会用 zeros / ones / full 生成指定形状的数组；

分得清 arange()（数几个）和 linspace()（间隔多大）；

会生成随机整数和随机浮点数，并且能锁住随机种子让结果复现；

会用 reshape() 变形，并且知道它对元素总数有什么硬要求。

先说清楚一件事：NumPy 数组到底是什么#

在动手之前，先建立一个直觉，不然每个函数都会显得很突兀。

NumPy 数组（ndarray）就是「一堆同类型数字排成的方块」。

拿 Excel 打个比方：

Excel 的一个单元格，可以放文字、数字、日期；
NumPy 数组的每一个格子只能是数字（或者全是文字，或者全是布尔值），不能混着来。

这个限制听起来很烦，但换来的是巨大的速度优势——因为所有元素类型一样，NumPy 就能把它们打包成一块连续的内存，用 C 语言那种「批量算」的方式一次处理 thousands 个数字，而不是像 Python 循环那样一个一个调用。

一句话记住三个必查属性
arr.ndim # 几维
arr.shape # 每个维度多长
arr.dtype # 元素类型
任何一个陌生的 NumPy 数组，先打这三行，八成就知道它是什么了。

顺便提一句常见的「兄弟」：

结构	是什么	长什么样
`np.ndarray`	多维数组	`[120., 135., 150.]`
`np.array`（一维时）	就是普通 ndarray	`shape = (3,)`
Python `list`	什么都能装的清单	`[120, 135, 150]`

数组和列表最大的区别：数组里所有元素类型必须一样，而且它支持「整体运算」——arr * 2 是每个数都乘 2，而 list * 2 是把列表复制两份。

NumPy 编程练习：5 道动手题学会数组创建（列表转换、zeros/ones、arange/linspace、随机数、reshape） | NumPy 数组计算实战

Sun, 25 Oct 2026 09:30:00 +0800

第 1.2 节编程练习#

预计学习时长： 40 分钟

练习方式： 新建一个 Jupyter Notebook，把下面的准备代码抄进去，然后每题独立完成。先写，写不出来再展开答案。

准备：先建好数据#

import numpy as np

后面第 3 题会用到这张表，先建好：

# 5 个城市 × 4 个季度的销售额（万元）
sales = np.array([
 [120.0, 135.0, 150.0, 165.0],
 [ 80.0, 92.0, 88.0, 105.0],
 [200.0, 210.0, 195.0, 230.0],
 [ 60.0, 72.0, 85.0, 78.0],
 [150.0, 145.0, 160.0, 175.0],
])

练习 1：将 Python 列表转换为 NumPy 数组#

题目： 完成下面 5 个任务：

把列表 [10, 20, 30, 40] 转成 NumPy 数组，存到 a；
打印 a 的 shape、ndim、dtype；
把嵌套列表 [[1, 2], [3, 4]] 转成数组，存到 b，打印它的 shape；
把 [1, 2, 3.5] 转成数组，打印 dtype；
打印 a * 2 和 [10, 20, 30, 40] * 2 的结果，对比一下。

思考题： 第 4 题里，列表里只有一个小数，为什么整个数组都变成浮点数了？

NumPy 常见问题答疑：10 个数组创建必踩的坑（列表转数组、zeros/ones、arange/linspace、reshape） | NumPy 数组计算实战

Sun, 25 Oct 2026 09:30:00 +0800

第 1.3 节常见问题#

这一节收集了初学者在 NumPy 入门阶段最常卡的 10 个问题。每个问题都给出直接答案，能跑代码的都附上完整示例。

怎么用这一节 不用通读。遇到问题用 Ctrl+F 搜关键词，直接跳到对应那条。

准备一下数据，下面每题都会用到：

import numpy as np

scores = np.array([80, 90, 75, 100])
matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

Q1：NumPy 数组与 Python 列表有什么区别？#

答：五个字：类型统一、运算整体、速度快。

	Python 列表	NumPy 数组
元素类型	可以混着放（数字、文字、对象）	必须全部同类型
整体运算	不支持，要写循环	支持，`arr * 2` 逐元素乘 2
内存	分散存储，每个元素是独立对象	连续存储的一块内存
速度	慢（解释执行，逐个处理）	快几十倍（底层批量运算）
多维	用嵌套列表凑，很别扭	原生支持 `shape` / `ndim`

a_list = [1, 2, 3]
a_array = np.array([1, 2, 3])

print(a_list * 2) # [1, 2, 3, 1, 2, 3] ← 复制两遍
print(a_array * 2) # [2 4 6] ← 每个数乘 2

实际用起来的差别，比如你想把一列价格打八折：

第 1 章：数组创建（Array Creation） on 跟我学机器学习

NumPy 数组创建详解：从 Python 列表到多维数组与随机数 | NumPy 数组计算实战

第 1.1 节 核心知识点#

先说清楚一件事：NumPy 数组到底是什么#

NumPy 编程练习：5 道动手题学会数组创建（列表转换、zeros/ones、arange/linspace、随机数、reshape） | NumPy 数组计算实战

第 1.2 节 编程练习#

准备：先建好数据#

练习 1：将 Python 列表转换为 NumPy 数组#

NumPy 常见问题答疑：10 个数组创建必踩的坑（列表转数组、zeros/ones、arange/linspace、reshape） | NumPy 数组计算实战

第 1.3 节 常见问题#

Q1：NumPy 数组与 Python 列表有什么区别？#

第 1.1 节核心知识点#

第 1.2 节编程练习#

第 1.3 节常见问题#