大数据时代的到来，使得很多工作都需要进行数据挖掘，从而发现更多有利的规律，或规避风险，或发现商业价值。

而大数据分析的基础是学好编程语言。

本文和你一起来探索Python中的array函数，让你以最短的时间明白这个函数的原理。

也可以利用碎片化的时间巩固这个函数，让你在处理工作过程中更高效。

array是numpy库下的函数，调用需先要安装numpy包。打开cmd，安装语句如下：

pip install numpy

在Python的世界里，NumPy无疑是数值计算领域的王者。
它的核心功能之一就是numpy.array，这个函数能够将各种数据类型转化为数组形式，为后续的数学、统计等计算做好准备。
接下来将为你深入剖析numpy.array的各个参数，并通过实际案例让你感受到它的魅力。

其基本调用语法如下：

import numpy as np    np.array(object, dtype=None, *, copy=True, order='K', subok=False, ndmin=0,          like=None)

常用参数详解：

object(数据参数)：必需参数，可以是列表、元组、字符串等可迭代对象。

dtype(数据类型)：可选参数，用于指定数组元素的数据类型。例如，int32、float64等。如指定，NumPy会根据输入数据自动推断数据类型。

copy(复制)：默认为True，表示对象是否需要复制。如果为False，并且满足某些条件，则不复制对象。这可以节省内存，但需要确保原始数据不会被修改。

order(内存布局)：指定数组的内存布局，如'C'表示C风格(行优先)，'F'表示Fortran风格(列优先)。

subok(子类)：默认为False。如果为True，则传递的子类会被传递，否则返回的数组会被强制为基类数组(默认)。

ndmin(最小维度)：可选参数，指定生成数组的最小维数。

三、array函数实例
1   创建一维数组
首先导入numpy库，然后用np.array函数创建一维数组，具体代码如下：
import numpy as np    # 使用列表创建一维数组  arr11 = np.array([1, 2, 3, 4, 5])  print(arr11)# 使用元组创建一维数组  arr12 = np.array((1, 2, 3, 4, 5, 6))print(arr12)# 使用字符串创建一维数组  arr13 = np.array('南方的小土豆，迎来到哈尔滨')print(arr13)
得到结果：
[1 2 3 4 5][1 2 3 4 5 6]南方的小土豆，迎来到哈尔滨
从结果知，可以使用列表、元组、字符串应用array函数创建一维数组。

2   使用嵌套列表创建二维数组
接着应用array函数使用嵌套列表创建二维数组，具体代码如下：
import numpy as np    # 使用嵌套列表创建二维数组  arr2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])  print(arr2)
得到结果：
[[1 2 3] [4 5 6] [7 8 9]]

3  指定数据类型
接着应用dtype参数指定数据类型创建一维数组，具体代码如下：
import numpy as np
# 指定数据类型  arr3 = np.array([1.1, 2.5, 3.9, 9], dtype=int)  print(arr3)
得到结果：
[1 2 3 9]
从结果知，原始列表是浮点型数据，用array函数创建一维数组时，由于指定了数据类型为整型，所以结果值都向下取整了。

4  创建最小维度为2的数组
接着创建最小维度为2的数组，具体代码如下：
import numpy as np
# 创建最小维数为 2 的数组  arr4 = np.array([1, 2, 3], ndmin=2)  print(arr4)
得到结果：
[[1 2 3]]
array函数基本的使用方法入上，接下来看下array函数在实战应用的两个有趣的案例。
四、有趣案例介绍
1   图像处理中的颜色转换
在图像处理中，经常需要将RGB颜色空间转换为HSV空间。使用NumPy的numpy.array()和相应的数学运算，可以轻松完成这一转换。首先，我们需要创建一个表示RGB值的NumPy数组：image_data = numpy.array([r, g, b])，然后应用公式进行转换即可。

2  预测股票价格模型
假设我们要建立一个简单的线性回归模型来预测股票价格。首先，我们需要收集历史股票数据并使用numpy.array()将其转化为NumPy数组。然后，使用线性回归函数(如numpy.polyfit())来拟合数据并找到最佳拟合线。最后，我们可以使用这个模型来预测未来的股票价格。

五、难点全面剖析

• 1.数据类型选择：选择正确的数据类型对于确保计算精度和性能至关重要。例如，对于整数数据，应选择int32或int64，而对于浮点数，应选择float32或float64。

• 2.内存管理：在处理大型数据集时，合理地管理内存至关重要。使用copy=False可以避免不必要的内存复制，从而加快计算速度。但是，必须确保原始数据不会被修改，否则结果可能会出错。

• 3.多维数组操作：NumPy支持多维数组操作。正确理解和处理多维数组是进行复杂数据分析的关键。例如，在图像处理中，二维数组通常表示像素矩阵，而三维数组可以表示RGB通道和高度/深度信息。

至此，Python中的array函数已讲解完毕，如想了解更多Python中的函数，可以翻看公众号中“学习Python”模块相关文章。

【部分群限时免费进】分群讨论学习Python【29.9元进】、玩转Python、风控建模【29.9元进】、人工智能、数据分析相关问题，还提供练习数据资料、招聘内推信息、优秀文章、学习视频、公众号文章答疑，也可交流工作中遇到的难题。如需添加微信号19967879837，加时备注想进的群，比如学习python。

一文囊括Python中的函数，持续更新。。。

一文囊括Python中的有趣案例，持续更新。。。

一文囊括Python中的数据分析与绘图，持续更新。。。

一文囊括风控模型搭建(原理+Python实现)，持续更新。。。

限时免费进群

19967879837

添加微信号、手机号