多维数组ndarray是NumPy库的核心数据结构，在真正对一个ndarray进行各种操作之前，我们首先需要能够创建ndarray。常见的创建ndarray的方法有很多中，本文就来一一介绍这些方法。

本文的主要内容有：

1、从其他Python数据结构创建

2、使用NumPy数组创建函数创建

3、基于已存在的NumPy数组创建

4、从磁盘读取文件的方式创建

5、使用其他Python库的库函数

这种方法，是使用array()函数，基于一个现有的Python序列，比如列表或者元组，来定义NumPy的数组。

首先看下array()函数的定义：

通常只需要传入一个列表或者元组对象即可，也可以指定元素的类型，不指定时，会自动进行类型的推断。

NumPy库中有40多个内置函数，可以用于创建数组，但真正比较常用的有以下这几个函数：

1、linspace()函数

用于创建等差数组，也就是数组中的元素是均匀分布的。

从函数定义中，可以看出有以下几点需要注意：

1）通常只需要指定等差数列的开始值和结束值即可，默认生成一个包含50个元素的等差数列。

2）生成的元素中，默认将开始值start和结束值stop均包含在内的。

2、arange()函数

arange()函数也可以用于创建等差的数组，类似于Python内置的range()函数。

从函数的定义看，与linspace()不同的地方在于：

1）不能指定元素数量，通过参数start、stop、step来进行自动推断。

2）生成的元素范围为[start, stop)，不包含结束值。

3、ones()函数

创建指定形状的数组，并将元素填充为1。

4、zeros()函数

用于创建指定形状的数组，并将元素填充为0。

需要注意的是，数组的形状，应当使用元组进行传递（虽然一维数组传递一个整数也是可以的）。

5、random模块

使用numpy.random模块中的函数可以创建随机数组。

其中，使用random.uniform()函数可以创建均匀分布的随机数组。

上面代码中创建了-1到1之间均匀分布的随机数组，元素个数1000000个，通过直方图可视化查看时，将其分为1000组，基本上是可以看出均匀分布的。

uniform()函数中的参数分别为：

low指定随机分布的下限，high指定随机分布的下限，size指定数组元素的个数。

通过random.normal()可以创建正态分布的随机数组。

上面代码中，创建了一个期望为0，标准差为0.1的正态分布的随机数组。

normal()函数中的参数分别为：

loc指定正态分布的期望值，scale指定正态分布的标准差，size指定数组元素个数。

除了以上5个函数外，还有其他创建各种特定形状的矩阵的函数等，根据场景需要，可以在使用时查阅相关API文档。

如果已经存在一个NumPy的多维数组，我们可以利用NumPy提供的函数，通过复制、连接或者更改，来创建一个新的NumPy的多维数组对象。

1、copy()函数

使用numpy的copy函数，可以复制一个多维数组。

从上面代码中，可以看到通过NumPy.copy()函数可以进行数组的复制，也可以直接调用一个已有数组对象的copy()方法来进行。

其实，NumPy中的很多操作，提供两种方式对多维数组进行操作：

1）使用NumPy中的函数进行操作，将数组对象作为函数的参数。

2）使用数组对象的对应方法进行操作。

2、stack系列函数

NumPy提供很多方法可以进行数组的拼接，从而生成一个新的数组。比如：vstack()和hstack()分别进行垂直和水平的连接。

这种方式是创建大型数组的最常见情况，但是，很多时候，我们其实会选择使用pandas进行IO操作，所以，这种方式，仅作了解即可。

有数据文件如下：

从文件中读取数据并创建数组的代码如下：

需要说明的是data.csv与代码文件在同一个路径中。

由于文件是以逗号分割的csv文件，并且第一行为表头，所以需要跳过一行。

由于NumPy是Python科学计算库相关技术栈中的基础核心库，所以，许多Python库，比如SciPy、Pandas、OpenCV、PyTorch等，都可以使用NumPy数组作为数据交换的通用格式。

因此，这些库中也都会提供一些创建、操作和处理NumPy数组的相关函数。这些内容在后面介绍到相关库时，会再行展开说明。

本文分别介绍了基于Python原生的序列创建NumPy数组、基于已存在的NumPy数组创建新的NumPy数组、NumPy内部函数创建特定数组、从磁盘数据创建NumPy数组和使用其他Python数据科学库的库函数创建NumPy数组的方法。

需要说明的是，创建NumPy数组的方式有很多种，这里只是列举了笔者认为相对较为常用的方法。

感谢您的拨冗阅读，希望对您有所帮助！