NumPy zeros() 函数详解

NumPy（Numerical Python）是Python科学计算领域的核心库。它提供了强大的多维数组对象，以及用于处理这些数组的工具。在数据科学、机器学习和工程计算中经常需要创建特定形状和数据类型的数组。本文将重点介绍 NumPy 中一个基础且极其重要的函数：numpy.zeros()。

---

---

一、函数简介

numpy.zeros() 函数用于创建一个指定形状（shape）和数据类型（dtype）的新的 NumPy 数组，并用零填充该数组的每一个元素。

在需要初始化矩阵或张量、作为累加器的起始值，或在分配内存以供后续计算时，这个函数都非常实用。

📖它和zeros_like()函数的比较见NumPy zeros_like() 函数详解
官方函数解析numpy.zeros

二、参数详解

numpy.zeros() 的基本函数签名如下：

numpy.zeros(shape, dtype=float, order='C', *, like=None)

参数解析

1. shape (必须):
   • 定义新数组的维度。
   • 可以是一个整数（表示一维数组的大小），也可以是一个整数元组（例如 (rows, columns) 表示二维数组，或 (d1, d2, d3) 表示三维数组）。
2. dtype(可选，默认为 float64):
   • 定义数组中元素的数据类型，例如 int（整数）、float（浮点数）、complex（复数）等。
   • 通常使用 np.int32、np.float64 或简单地使用 Python 的 int、float。
3. order(可选，默认为 'C'):
   • 指定数组在内存中的存储顺序。
   • 'C' 表示行主序（C 语言风格），即最后一个轴变化最快。
   • 'F' 表示列主序（Fortran 风格），即第一个轴变化最快。
4. like(可选):
   • （NumPy 1.20.0 版本新增）允许创建一个与给定对象具有相同属性（如 shape 和 dtype）的数组，但使用零填充。

三、相关示例

示例 1：创建一维数组

创建一个包含 5 个元素的零数组，默认数据类型为浮点数：

import numpy as np# 创建一个包含 5 个浮点数 0 的一维数组
arr1 = np.zeros(5)
print(arr1)
print(f"数据类型：{arr1.dtype}")
# 输出: [0. 0. 0. 0. 0.]
# 数据类型：float64

示例 2：创建二维数组

创建一个 3 行 4 列的二维数组，并指定数据类型为整数：

# 创建一个 3x4 的整数零矩阵
arr2 = np.zeros((3, 4), dtype=int)
print(arr2)
print(f"数据类型：{arr2.dtype}")
# 输出:
# [[0 0 0 0]
#  [0 0 0 0]
#  [0 0 0 0]]
# 数据类型：int64 (或根据平台可能是 int32)

示例 3：创建三维数组

创建一个 2x3x2 的三维数组（例如，2 个 3x2 的切片）：

# 创建一个 2x3x2 的三维数组
arr3 = np.zeros((2, 3, 2))
print(arr3)
print(f"维度：{arr3.shape}")
# 输出:
# [[[0. 0.]
#   [0. 0.]
#   [0. 0.]]
#
#  [[0. 0.]
#   [0. 0.]
#   [0. 0.]]]
# 维度：(2, 3, 2)

示例 4：使用不同的数据类型

创建包含 32 位浮点数（更节省内存）的数组：

# 指定 dtype 为 float32
arr4 = np.zeros((2, 2), dtype=np.float32)print(arr4)
print(f"数据类型：{arr4.dtype}")
# 数据类型：float32

四、zeros() 与 empty() 的区别

在 NumPy 中，另一个用于创建新数组的函数是 numpy.empty()。了解两者之间的关键区别至关重要：

特性	numpy.zeros(shape)	numpy.empty(shape)
元素值	保证所有元素都被初始化为 零。	元素值是未初始化的（可能包含内存中已有的随机值）。
速度	略慢，因为它必须写入所有的零。	极快，因为它跳过了初始化元素的步骤。
用途	需要一个干净、零值数组作为起点时。	当确定会立即用有意义的值覆盖数组的全部内容时，用于性能优化。

除非是在处理对性能极其敏感的场景，并且非常确定会完全覆盖数组，否则通常建议使用 np.zeros()，因为它更安全、更可预测。