Numpy矩阵创建与操作详解：从基础构造到维度变换

林舟

发布时间：2026-10-14| 6人浏览过

原创

本文详细介绍Numpy库中矩阵的多种创建方式，包括使用array、zeros、ones、empty、rand、arange等方法生成不同维度和类型的矩阵。重点解析矩阵与标量的加减乘运算规则，以及利用reshape进行维度转换的注意事项，帮助开发者高效掌握Numpy基础操作。

Numpy矩阵创建与操作概述

Numpy是Python中广泛使用的科学计算库，在矩阵计算领域应用极为普遍。相比纯Python列表操作，Numpy对矩阵的处理速度具有显著优势。

一、构造矩阵的基本方法

矩阵的构造可以通过多种途径实现，具体取决于需求场景。

Python原生方法构造矩阵

1. 利用Python原生方法构造矩阵

- 生成一维矩阵示例


# 使用python自带的range（）方法生成一个矩阵
a = list(range(100))#range（）产生从0-99的一个列表
print(a)

- 生成二维及多维矩阵示例


# 使用python自带的range（）方法生成一个矩阵
a = list([[1,2,3],
     [4,5,6],
     [7,8,9]])
print(a)

Numpy内置方法生成矩阵

2. 使用Numpy内置方法生成矩阵

通过Numpy生成的矩阵数据类型为numpy.ndarray，这与Python原生的列表类型存在本质区别。

array()方法：列表转矩阵

（1）使用array()方法生成矩阵


#numpy入门
import numpy as np
data = [6,7.5,8,0,1]
data1 = [[1,2,3],[4,5,6]]
arr = np.array(data)
arr1 = np.array(data1)
print(arr)
print(arr1)

array()方法能够将一个列表转换为维度相同的Numpy矩阵对象。

随机矩阵生成：rand与randn

（2）生成随机矩阵的方法：rand()与randn()


import numpy as np
#生成一个随机数矩阵
data = np.random.randn(2,3)#是从标准正态分布中返回一个或多个样本值
data1 = np.random.rand(2,3)#随机样本位于[0, 1)中
print(data)
print(data1)

矩阵与标量的加减乘运算

（3）矩阵的加法与乘法运算：在Numpy矩阵中，矩阵与数字进行相加或相乘操作时，数组中的每一个元素都会执行相应的相加或相乘运算。


import numpy as np
data = np.random.randn(10)#是从标准正态分布中返回一个或多个样本值
print(data)
print("data * 10 :\n",data*10)#每一个元素乘以十
print("data+data:\n",data+data)#实现数组中每一个位置自加操作

零矩阵与一矩阵的生成

（4）生成零矩阵

可以使用Numpy的zeros()方法来生成元素值全为0的矩阵。


import numpy as np
data = np.zeros(10)#生成一个一维的全零矩阵，矩阵的元素为十个
print("data:",data)
data1 = np.zeros((3,4))#生成一个三行四列的全零矩阵
print("data1:",data1)
data2 = np.zeros((3,4,3))
print("data2:",data2)#生成一个三维的全零矩阵

（5）生成一矩阵

与零矩阵类似，Numpy中的ones()方法可以生成元素值全为1的矩阵。


import numpy as np
data = np.ones(10)#生成一个一维的全零矩阵，矩阵的元素为十个
print("data:",data)
data1 = np.ones((3,4))#生成一个三行四列的全零矩阵
print("data1:",data1)
data2 = np.ones((3,4,3))
print("data2:",data2)

empty()方法：未初始化内存处理

（6）empty()方法的使用

Python中也可以使用numpy.empty()方法来生成一些看似是0的数，语法和ones()方法一样


#numpy入门
import numpy as np
data = np.empty(10)#生成一个一维的全零矩阵，矩阵的元素为十个
print("data:",data)
data1 = np.empty((3,4))#生成一个三行四列的全零矩阵
print("data1:",data1)
data2 = np.empty((3,4,3))
print("data2:",data2)

即使编译器显示的值为0，其实际值并非0，而是一个非常接近0的数。


#numpy入门
import numpy as np
data1 = np.empty((3,4))#生成一个三行四列的全零矩阵
print("data1:\n",data1)
print("1/data1:\n",1/data1)

inf表示无穷大，如果data1中数据的值为0，在运行过程中解释器会出错。

#注意：认为np.empty会返回全0数组的想法是不安全的。很多情况下（如前所示），它返回的都是一些未初始化的垃圾值。

arange()方法：指定范围与步长

（7）arange()方法

该方法类似于Python自带的range()方法。


import numpy as np
a = np.arange(10)
b = np.arange(2,20)
c = np.arange(0,50,5)
print("a:",a)
print("b:",b)
print("c:",c)

当只有一个参数n时，表示产生一个从[0–n)的不包含n的一个矩阵

当有两个参数m,n时，表示产生一个从[m,n)的不包含n的一个矩阵

当含有三个参数m,n,l时，表示从m开始，每次以l为步长，产生一个矩阵，最大值不超过n

reshape()方法：维度变换

（8）reshape()方法：重新生成矩阵的维度大小


import numpy as np
a = np.arange(10)
print(a)
a=a.reshape(2,5)
print(b)

上例中，将一个一维的十元素矩阵转换成一个两行五列的矩阵。

注意：使用reshape（）方法从一维转多维时，一维矩阵的元素个数必须与多维矩阵的相同，也即是上例中的10=2*5，如若不相等的话解释器或出现错误。

矩阵属性：维度、形状与类型

（9）获取矩阵大小相关的属性值


import numpy as np
array = np.array([[1,2,3],
         [4,5,6],
         [7,8,9]])
print(array)
print(array.ndim)#维度
print(array.shape)#各维度的值
print(array.size)#元素个数
print(array.dtype)#元素的数据类型