什么是NumPy数组 (ndarray)？

NumPy 数组是一种多维、同质的数据容器。

多维 (Multi-dimensional): 它可以表示向量（1D）、矩阵（2D）、甚至更高维的数据结构（如 RGB 图像是 3D 数组）。
同质 (Homogeneous): 数组中所有元素必须是相同的数据类型（例如，都是整数、都是浮点数）。这是它比 Python 列表（可以包含不同类型数据）效率高的关键原因。

np.array() 函数的基本目的是将一个可迭代对象（如 Python 列表、元组等）转换为一个 NumPy 数组。

1. 语法和主要参数#

最常用的语法如下：

import numpy as np

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

python

参数	描述	常用值/默认值
`object`	必需。任何可转换为数组的序列（列表、元组等）。	-
`dtype`	可选。数组中元素的所需数据类型。	`None` (自动推断)
`copy`	可选。如果为 `True`，则始终复制输入对象；如果为 `False`，则仅在输入不是 `ndarray` 或 `dtype` 不匹配时复制。	`True`
`ndmin`	可选。指定结果数组的最小维度。	`0`

2. 用法示例#

2.1 创建一维数组（向量）#

将 Python 列表转换为一维 NumPy 数组。

# 输入：Python 列表
my_list = [10, 20, 30, 40] 

# 输出：一维数组 (4个元素)
arr_1d = np.array(my_list)
# arr_1d 的形状 (shape) 是 (4,)
print(arr_1d) # [10 20 30 40]

python

2.2 创建二维数组（矩阵）#

将嵌套的 Python 列表（代表行和列）转换为二维 NumPy 数组。

# 输入：嵌套列表
my_list_2d = [[1, 2, 3], [4, 5, 6]]

# 输出：二维数组 (2行 x 3列)
arr_2d = np.array(my_list_2d)
# arr_2d 的形状 (shape) 是 (2, 3)
print(arr_2d) 
# [[1 2 3]
#  [4 5 6]]

python

2.3 指定数据类型 (`dtype`)#

通过指定 dtype 参数，可以控制数组元素的数据类型，这对于内存管理和精确计算很重要。常用的数据类型包括 'int32'、'float64' 等。

# 强制转换为 64 位浮点数
arr_float = np.array([1, 2, 3], dtype=np.float64) 
# arr_float 的 dtype 是 float64
print(arr_float) # [1. 2. 3.]

python

3. NumPy 数组的优势#

与 Python 列表相比，使用 np.array() 创建的数组具有以下优势：

向量化操作 (Vectorization): NumPy 允许在整个数组上执行数学运算，而无需通过循环。这些操作在底层由优化过的 C/Fortran 代码执行，速度极快。
```
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b) # [5 7 9]  (直接对应元素相加)
```
python
内存连续性 (Memory Locality): 数组的元素存储在内存中的连续块中，使得 CPU 访问数据更快。
属性丰富: NumPy 数组提供了许多有用的属性，如 .shape（维度）、.dtype（数据类型）和 .ndim（维数），方便进行数据检查和操作。

1. 语法和主要参数#

2. 用法示例#

2.1 创建一维数组（向量）#

2.2 创建二维数组（矩阵）#

2.3 指定数据类型 (dtype)#

3. NumPy 数组的优势#

2.3 指定数据类型 (`dtype`)#