np.array

np.array 是 NumPy 中最基础、最核心的函数之一，用于创建一个 NumPy 数组（ndarray）。下面我们详细讲解它的用法、参数、示例以及常见注意事项。

一、基本语法

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

参数说明：

参数	说明
object	输入数据，可以是列表、元组、其他数组、生成器等。
dtype	可选，指定数组的数据类型（如 int32, float64 等）。默认自动推断。
copy	默认为 True，表示是否复制输入数据。False 时尽可能避免复制。
order	可选，指定内存布局顺序：'C'（行优先）、'F'（列优先）、'K'（保留原顺序）。
subok	默认为 False，是否允许返回子类。
ndmin	指定数组的最小维度。

---

二、使用示例

示例 1：从列表创建一维数组

import numpy as np
a = np.array([1, 2, 3, 4])
print(a)

输出：

[1 2 3 4]

---

示例 2：从嵌套列表创建二维数组

b = np.array([[1, 2], [3, 4]])
print(b)

输出：

[[1 2]
 [3 4]]

---

示例 3：指定数据类型

c = np.array([1, 2, 3], dtype=float)
print(c)

输出：

[1. 2. 3.]

---

示例 4：使用 ndmin 指定最小维度

d = np.array([1, 2, 3], ndmin=3)
print(d)

输出：

[[[1 2 3]]]

---

三、与 Python 列表的区别

特性	Python 列表	NumPy 数组 (ndarray)
数据类型	可以混合类型	必须统一类型
性能	较慢，逐元素操作	快，支持向量化操作
内存占用	较大	较小
多维支持	需要嵌套	原生支持多维数组
数学运算支持	需要循环或 map	直接支持 +, -, *, / 等

---

四、常见操作示例

1. 查看数组属性

arr = np.array([[1, 2, 3], [4, 5, 6]])
print("数组的维度:", arr.ndim)         # 2
print("数组的形状:", arr.shape)       # (2, 3)
print("数组的大小:", arr.size)        # 6
print("数组的数据类型:", arr.dtype)   # int64

2. 数组切片与索引

arr = np.array([1, 2, 3, 4, 5])
print(arr[1:4])  # 输出 [2 3 4]

3. 数组运算

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b)  # [5 7 9]
print(a * 2)  # [2 4 6]

---

五、注意事项

1. 数据类型统一：NumPy 数组中所有元素必须是相同类型，否则会自动向上转换（如 int + float → float）。
2. 内存效率：np.array 比 Python 列表更节省内存，尤其适合大数据处理。
3. 视图 vs 副本：使用 copy=False 时可能返回视图而非副本，修改可能影响原数组。

---

六、总结

np.array 是 NumPy 的基础，它可以将 Python 列表、元组等转换为高效的 NumPy 数组，支持多维、向量化运算，是科学计算、数据分析、机器学习等领域不可或缺的工具。