NumPy zeros()函数使用小结

​NumPy zeros() 函数使用小结​

numpy.zeros() 是 NumPy 中用于创建全零数组的基础函数，广泛应用于初始化数组、占位、矩阵运算等场景。本文将从语法、参数、返回值、示例、注意事项等方面系统总结其用法。

​一、函数语法​

numpy.zeros(shape, dtype=float, order='C')

​二、参数详解​

参数	说明
shape	数组形状，可为整数​（1维）或元组​（多维）。例如：5（1维）、(2,3)（2行3列）。
dtype	可选，指定数组元素的数据类型（如 int、float、bool 等）。默认 float64（或 float32，取决于系统）。
order	可选，指定数组在内存中的存储顺序： – 'C'：按行优先（C风格，默认）； – 'F'：按列优先（Fortran风格）。

​三、返回值​

返回一个指定形状、数据类型为 dtype 的全零数组（ndarray 对象）。

​四、使用示例​

​1. 创建1维全零数组​

当 shape 为整数时，创建1维数组（向量）。

import numpy as np

# 创建长度为5的1维全零数组（默认float64）
arr1 = np.zeros(5)
print(arr1)  # [0. 0. 0. 0. 0.]

# 指定数据类型为int32
arr2 = np.zeros(5, dtype=np.int32)
print(arr2)  # [0 0 0 0 0]
print(arr2.dtype)  # int32

​2. 创建多维全零数组​

当 shape 为元组时，创建多维数组（矩阵、张量等）。

# 创建2行3列的2维全零数组（默认float64）
arr3 = np.zeros((2, 3))
print(arr3)
# [[0. 0. 0.]
#  [0. 0. 0.]]

# 创建3维数组（2层、2行、3列）
arr4 = np.zeros((2, 2, 3))
print(arr4.shape)  # (2, 2, 3)，表示2个2×3的矩阵

​3. 指定数据类型（dtype）​​

通过 dtype 参数控制元素类型，常见类型包括：

• 整数：np.int8、np.int16、np.int32、np.int64
• 浮点数：np.float32、np.float64（默认）
• 布尔值：np.bool_（True/False）
• 复数：np.complex64、np.complex128

# 布尔型全零数组（元素为False）
bool_arr = np.zeros((2, 2), dtype=np.bool_)
print(bool_arr)
# [[False False]
#  [False False]]

# 复数型全零数组（实部虚部均为0）
complex_arr = np.zeros(3, dtype=np.complex128)
print(complex_arr)  # [0.+0.j 0.+0.j 0.+0.j]

​4. 指定存储顺序（order）​​

order='C'（行优先）和 order='F'（列优先）影响数组在内存中的存储方式，对大多数场景无感知，仅在需要与C/Fortran代码交互时需关注。

# 行优先（C风格）：内存中按行连续存储
c_order = np.zeros((2, 3), order='C')
print(c_order)
# [[0. 0. 0.]
#  [0. 0. 0.]]

# 列优先（Fortran风格）：内存中按列连续存储
f_order = np.zeros((2, 3), order='F')
print(f_order)
# [[0. 0. 0.]
#  [0. 0. 0.]]  # 数值上无差异，但内存布局不同

​五、常见问题与注意事项​

​1. shape 参数的合法性​

shape 必须是整数或整数元组，否则报错。例如：

np.zeros(5.5)       # 报错：TypeError（shape必须为整数）
np.zeros((2, '3'))  # 报错：TypeError（元组元素必须为整数）

​2. 与 zeros_like() 的区别​

• np.zeros(shape)：根据指定形状创建全零数组。
• np.zeros_like(arr)：根据已有数组 arr 的形状和数据类型创建全零数组。

arr = np.array([[1, 2], [3, 4]])
zeros_like_arr = np.zeros_like(arr)
print(zeros_like_arr)
# [[0 0]
#  [0 0]]
print(zeros_like_arr.dtype)  # int64（与arr一致）

​3. 空数组 vs 全零数组​

• np.zeros()：创建元素全为0的数组（内存中分配空间并初始化）。
• np.empty()：创建未初始化的数组（元素值为内存残留，速度快但不确定）。

empty_arr = np.empty((2, 2))  # 未初始化，值随机
print(empty_arr)  # 示例输出：[[1.2e-312 0.0e+000] [0.0e+000 0.0e+000]]（值不确定）

​4. 性能提示​

• 若仅需占位且不关心初始值，优先用 np.empty()（避免初始化开销）。
• 若需明确初始值为0（如矩阵运算的初始状态），用 np.zeros()。

​六、典型应用场景​

1. ​初始化数组​：为后续赋值预留空间（如动态规划中的DP表）。 dp = np.zeros((n, n), dtype=int) # 初始化DP表
2. ​占位符​：在算法中临时存储中间结果（如梯度累加）。
3. ​矩阵运算​：创建单位矩阵的辅助数组（结合其他操作）。
4. ​数据预处理​：初始化特征矩阵或标签数组。

​总结​

numpy.zeros() 是创建全零数组的高效工具，核心参数为 shape（形状）、dtype（数据类型）和 order（存储顺序）。掌握其用法可提升数组初始化效率，尤其在科学计算和数据处理中不可或缺。实际使用时需注意参数合法性，并根据场景选择是否指定数据类型或存储顺序。