锋哥原创的Pandas2 Python数据处理与分析 视频教程：
2025版 Pandas2 Python数据处理与分析 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili
NumPy数组创建最常用的方式是直接创建， numpy 可以直接创建或者将 python的其他元素转为 array 对象。 下面来看多维数组的创建
import numpy as np
# 创建一维数组
a1 = np.array([0, 1, 2])
print(a1, type(a1))
# 创建二维数组
a2 = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8]])
print(a2, type(a2))
# 创建三维数组
a3 = np.array([[[0, 1, 2], [3, 4, 5], [6, 7, 8]], [[9, 10, 11], [12, 13, 14], [15, 16, 17]],[[18, 19, 20], [21, 22, 23], [24, 25, 26]]])
print(a3, type(a3))运行输出：
[0 1 2] <class 'numpy.ndarray'>
[[0 1 2][3 4 5][6 7 8]] <class 'numpy.ndarray'>
[[[ 0 1 2][ 3 4 5][ 6 7 8]]
[[ 9 10 11][12 13 14][15 16 17]]
[[18 19 20][21 22 23][24 25 26]]] <class 'numpy.ndarray'>
Process finished with exit code 0除了直接创建多维数组，也可以采用常见的函数进行创建
n1 = np.zeros(10) # 生成10个浮点型0
n2 = np.ones(8) # 生成8个浮点型1
n3 = np.empty(9) # 生成9个随机值，很夸张的随机值
n4 = np.arange(10) # 生成10个，不包括10，步长1,默认从0开始
n5 = np.ones_like(n4) # 生成与n4结构一样的1值
n6 = np.zeros_like(n4) # 生成与n4结构一样的0值
n7 = np.empty_like(n4) # 生成与n4结构一样的随机值
print(n1)
print(n2)
print(n3)
print(n4)
print(n5)
print(n6)
print(n7)运行输出：
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[1. 1. 1. 1. 1. 1. 1. 1.]
[0.00000000e+000 0.00000000e+000 0.00000000e+000 0.00000000e+0000.00000000e+000 2.58890398e-321 0.00000000e+000 1.02658998e-3001.38258698e-316]
[0 1 2 3 4 5 6 7 8 9]
[1 1 1 1 1 1 1 1 1 1]
[0 0 0 0 0 0 0 0 0 0]
[ 251076211860373504 1631 1047090478771077120 15891387121664 02933462663846 3202622285013843968 19084853313044480]还有一些常用的高级用法：
print(np.arange(2, 10, 0.5)) # 从2开始，步长0.5 ，不超过10
print(np.linspace(3, 6, num=5, endpoint=True)) # 从3到6，生成均匀的5个值，包括最终值6
print(np.random.randn(3, 4)) # 返回一个3行4列的随机数组，浮点型
print(np.random.randint(0, 10, size=(3, 4))) # 返回一个3行4列的随机数组，整型,随机值范围0到9
print(np.random.randint(0, 10, size=(3, 3, 3))) # 返回一个3维数组，整型,随机值范围0到9运行输出：
[2. 2.5 3. 3.5 4. 4.5 5. 5.5 6. 6.5 7. 7.5 8. 8.5 9. 9.5]
[3. 3.75 4.5 5.25 6. ]
[[ 0.74793299 -0.05223858 0.32494228 1.24623639][ 1.09356216 -0.59055563 -1.27056592 -0.12965195][ 0.05077383 1.91432252 0.58686216 -0.85051921]]
[[2 0 5 5][1 3 5 0][1 1 2 8]]
[[[1 5 8][8 9 4][4 3 3]]
[[9 3 4][9 7 4][5 4 1]]
[[6 9 4][8 8 8][5 3 9]]]
)
