🧑 博主简介：阿里巴巴嵌入式技术专家，深耕嵌入式+人工智能领域，具备多年的嵌入式硬件产品研发管理经验。
📒 博客介绍：分享嵌入式开发领域的相关知识、经验、思考和感悟，欢迎关注。提供嵌入式方向的学习指导、简历面试辅导、技术架构设计优化、开发外包等服务，有需要可加文末联系方式联系。
💬 博主粉丝群介绍：① 群内高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。
@TOC
概述
在Python的数据科学领域，NumPy库占据着举足轻重的地位，其强大的数组操作能力为高效的数据处理与分析提供了坚实的基础。而在NumPy众多功能中，np.array() 函数无疑是最为核心且基础的API之一，它是构建所有数组操作的基石。本文将深入探讨 np.array() 的使用方法、特性以及背后的原理，帮助你更熟练地运用这一强大工具。
简介：NumPy与np.array()
NumPy，全称为Numerical Python，是一个提供大量高级数学函数的Python库，专为大规模数值计算而设计。其核心是numpy.ndarray（简称ndarray），这是一个多维数组对象，相较于Python内置的列表，ndarray在内存使用、计算性能上有着显著优势。np.array()正是用来创建这种高效数组的接口。
基础用法：从列表到数组
import numpy as np
# 将Python列表转换为NumPy数组
my_list = [1, 2, 3]
my_array = np.array(my_list)
print(my_array)
输出：
array([1, 2, 3])
通过上述代码，我们简单地将一个Python列表转换成了NumPy数组。np.array()能够接受多种类型的输入，包括列表、元组、甚至是其他NumPy数组，将它们转化为ndarray，从而开启高性能的数组计算之旅。
多维数组的创建
除了简单的一维数组，np.array()还能轻松构造多维数组。只需传入嵌套的序列即可：
# 创建二维数组
matrix = np.array([[1, 2, 3], [4, 5, 6]])
print(matrix)
输出：
array([[1, 2, 3],
[4, 5, 6]])
数据类型的指定
NumPy数组的一大特点是元素具有统一的数据类型。默认情况下，np.array()会根据输入数据推断出最合适的类型，但用户也可以显式指定类型：
# 指定数据类型为float
float_array = np.array([1, 2, 3], dtype=np.float64)
print(float_array.dtype)
输出：
float64
高级应用：利用形状参数和初始化
np.array()还允许直接创建特定形状和初始化值的数组，这对于大型数组的快速初始化特别有用：
# 创建全零的三维数组
zero_array = np.zeros((2, 3, 4), dtype=int)
print(zero_array)
通过上述代码，我们创建了一个形状为(2, 3, 4)的全零整数数组，展示了np.array()在初始化特殊数组方面的灵活性。
性能考量：为何选择np.array()？
相比Python原生的列表，np.array()创建的数组有以下优势：
- 内存效率：ndarray使用连续的内存空间存储数据，减少内存碎片，提高访问速度。
- 计算优化：NumPy内部采用低级语言实现，对数组操作进行了高度优化，尤其是在进行向量化运算时。
- 广播机制：支持不同形状数组之间的运算，无需显式循环，简化代码并提升效率。
- 丰富的数学函数库：NumPy提供了大量的数学运算和统计函数，可以直接作用于ndarray上。
结语
np.array()不仅是NumPy入门的第一步，更是掌握高效数据处理的关键。通过灵活运用此API，开发者可以构建复杂的数据结构，执行高速的数值计算，进而为机器学习、数据分析等应用打下坚实的基础。掌握其精髓，便能在Python的数据科学世界中游刃有余。继续探索NumPy的广阔天地，你会发现更多令人兴奋的功能与技巧，让数据处理变得更加简单而高效。